Εφαρμογή Τεχνικϊν Εξόρυξησ Δεδομζνων για την πρόβλεψη τησ κατανάλωςησ ςε ηλεκτρικά δίκτυα χαμηλήσ τάςησ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Εφαρμογή Τεχνικϊν Εξόρυξησ Δεδομζνων για την πρόβλεψη τησ κατανάλωςησ ςε ηλεκτρικά δίκτυα χαμηλήσ τάςησ"

Transcript

1 Εφαρμογή Τεχνικϊν Εξόρυξησ Δεδομζνων για την πρόβλεψη τησ κατανάλωςησ ςε ηλεκτρικά δίκτυα χαμηλήσ τάςησ Διπλωματική Εργαςία τησ Κομνηνοφ Μυρςίνησ ΔΔ114 υπό την επίβλεψη του: Ανδρζα Λ. Συμεωνίδη Λζκτορα ΤΗΜΜΥ-ΑΠΘ Θεςςαλονίκη 2010

2 Αφιερωμζνο ςτο ςφηυγό μου, Σπφρο και ςτα μικρά μου αγγελοφδια, Γιάννθ και Δθμιτρθ. 2

3 3

4 Πρόλογοσ H παροφςα μεταπτυχιακι διατριβι εκπονικθκε ςτα πλαίςια του Διαπανεπιςτθμιακοφ Διατμθματικοφ Προγράμματοσ Μεταπτυχιακϊν Σπουδϊν Προθγμζνα Συςτιματα Υπολογιςτϊν και Επικοινωνιϊν κατά το ακαδθμαϊκό ζτοσ Πρόκειται για εφαρμογι τθσ μεκόδου εξόρυξθσ γνϊςθσ από δεδομζνα (data mining) ςε ενεργειακά δεδομζνα διαφόρων νοικοκυριϊν, με ςτόχο τθν εξαγωγι μοντζλου πρόβλεψθσ του φορτίου τουσ. Η τελευταία αποτελεί χριςιμθ πλθροφορία, που μπορεί να παίξει κακοριςτικό ρόλο ςτθ διαμόρφωςθ μιασ απελευκερωμζνθσ αγοράσ θλεκτρικισ ενζργειασ. 4

5 Περιεχόμενα Κεφάλαιο 1 Ειςαγωγι Σκοπόσ τθσ διπλωματικισ Οριοκζτθςθ τθσ Περιοχισ Μελζτθσ Κεφάλαιο 2 - Απελευκζρωςθ Αγοράσ Ηλεκτρικισ Ενζργειασ-Αξιοποίθςθ ενεργειακϊν δεδομζνων Οριοκζτθςθ Προβλιματοσ State-of-the-art Κεφάλαιο 3 - Εξόρυξθ Γνϊςθσ Τι οδιγθςε ςτθν Εξόρυξθ Γνϊςθσ και ποια θ ςπουδαιότθτά τθσ Τι είδουσ πρότυπα μποροφν να εξαχκοφν από τθν Εξόρυξθ Γνϊςθσ Παλινδρόμθςθ-Regression Προεπεξεργαςία Δεδομζνων Σκοπόσ Προεπεξεργαςίασ Δεδομζνων Κακαριςμόσ Δεδομζνων Μεταςχθματιςμόσ Δεδομζνων Κεφάλαιο 4 - Εξόρυξθ Γνϊςθσ από τα Δεδομζνα του Προβλιματοσ Το Σφνολο Δεδομζνων Προεπεξεργαςία των δεδομζνων τθσ μελζτθσ Κριτιρια Αξιολόγθςθσ Αλγορίκμων Πειράματα Κεφάλαιο 5 - Συμπεράςματα και Μελλοντικι εργαςία Συμπεράςματα Μελλοντικι εργαςία Παράρτθμα I - Το Πρόγραμμα WEKA

6 I.1 Πλατφόρμα Εφαρμογισ WEKA I.1.1 Τα αρχεία ςτο WEKA I.1.2 Το Περιβάλλον Explorer I.1.3 Το Περιβάλλον Experimenter Παράρτθμα II-Χαρακτθριςτικά Προβλιματοσ Αναφορζσ

7 Λίςτα Διαγραμμάτων Διάγραμμα 4.1- Συντελεςτισ ςυςχζτιςθσ με χριςθ των a priori indices.ςελ.43 Διάγραμμα 4.2- Μζςο Απόλυτο Σφάλμα με χριςθ των a priori indices....ςελ.43 Διάγραμμα 4.3- Συντελεςτισ ςυςχζτιςθσ με χριςθ field indices.ςελ.48 Διάγραμμα 4.4- Μζςο Απόλυτο Σφάλμα με χριςθ field indices..ςελ.48 7

8 Λίςτα Πινάκων Πίνακασ 4.1- Σφνολα δεδομζνων. ςελ. 41 Πίνακασ 4.2- Συγκεντρωτικά Αποτελζςματα με χριςθ a priori indices. ςελ. 42 Πίνακασ 4.3 Συγκεντρωτικά αποτελζςματα με χριςθ field indices..ςελ.47 Πίνακασ 4.4- Αποτελζςματα από τθ χριςθ meta αλγορίκμων ςε a priori και field indices ςελ. 61 8

9 Λίςτα Εικόνων Εικόνα 3.1 Η εξζλιξθ των τεχνολογιϊν προσ τθν Εξόρυξθ Γνϊςθσ....ςελ.23 Εικόνα 3.2 Γραφικι αναπαράςταςθ τθσ KDD διαδικαςίασ....ςελ.24 Εικόνα 4.1 Αρχικι μορφι δεδομζνων...ςελ.36 Εικόνα 4.2 Μορφι αρχείου.arff...ςελ.37 Εικόνα 4.3 Χαρακτθριςτικά εξόδου( kwh)...ςελ. 38 Εικόνα 4.4 Προκακοριςμζνεσ ρυκμίςεισ αλγόρικμου Bagging.. ςελ.44 Εικόνα 4.5 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο field_clustered αρχείο...ςελ.52 Εικόνα 4.6 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο 55_attr αρχείο...ςελ. 55 Εικόνα 4.7 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο 113_attr αρχείο.... ςελ.58 Εικόνα 4.8 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression, 20 iterations) ςτο 113_attr_ targeted αρχείο....ςελ.60 Εικόνα 4.9 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Stacking(M5P & M5Rules)ςτο 113_attr_ targeted αρχείο....ςελ.62 Εικόνα I.1: Το γραφικό περιβάλλον του Weka...ςελ.66 Εικόνα I.2: Το περιβάλλον Explorer του Weka. ςελ.69 Εικόνα I.3: Το παράκυρο Classify του Explorer...ςελ.70 Εικόνα I.4: Διακζςιμοι κατθγοριοποιθτζσ.....ςελ.71 9

10 Σφνοψη Στθν παροφςα διπλωματικι εργαςία γίνεται μια προςπάκεια πρόβλεψθσ του φορτίου των καταναλωτϊν χαμθλισ τάςθσ και ςυγκεκριμζνα των νοικοκυριϊν, που ωσ απϊτερο ςτόχο ζχει, εν όψει τθσ εφαρμογισ τθσ απελευκζρωςθσ αγοράσ θλεκτρικισ ενζργειασ και ςτο πεδίο τθσ χαμθλισ τάςθσ τθσ Ελλάδοσ δϊδεκα ολόκλθρα χρόνια μετά τθν κεςμικι απελευκζρωςι τθσ- να προςφζρει ςτουσ προμθκευτζσ θλεκτρικισ ενζργειασ χριςιμεσ πλθροφορίεσ για τουσ εν δυνάμει πελάτεσ τουσ. Για το ςκοπό αυτό γίνεται αρχικά επιλογι, από μια πλθκϊρα διακζςιμων μεταβλθτϊν που αφοροφν ςτισ θλεκτρικζσ ςυνικειεσ των νοικοκυριϊν αλλά και δεδομζνα τφπου ςυμβολαίου, εκείνων των μεταβλθτϊν που ςχετίηονται περιςςότερο με τθν ζξοδο. Ζπειτα, εφαρμόηεται ςε αυτζσ μζςω διαφόρων αλγορίκμων θ τεχνικι τθσ εξόρυξθσ γνϊςθσ από δεδομζνα, Data Mining, για τθν εξαγωγι του βζλτιςτου δυνατοφ μοντζλου πρόβλεψθσ φορτίου. Τα αποτελζςματα που πιραμε ιταν αρκετά ικανοποιθτικά. Καταλιξαμε ςτο ςυμπζραςμα ότι θ επιλογι field indices ςε ςυνδυαςμό με a priori indices και θ χριςθ meta και ensemble ςχθμάτων δίνουν τα καλφτερα αποτελζςματα- correlation coefficient τθσ τάξθσ του 0,79. Τα δεδομζνα που χρθςιμοποιικθκαν προζρχονται από μια βάςθ δεδομζνων των νοικοκυριϊν των Η.Π.Α., κακϊσ αντίςτοιχθ βάςθ με ελλθνικά δεδομζνα δεν είναι διακζςιμθ. Κομνθνοφ Μυρςίνθ Ιοφλιοσ

11 Abstract Application of Data Mining Techniques for Forecasting Low-Voltage Electricity Customers Load. This thesis concerns an attempt for load forecasting of low-voltage electricity customers, and particularly of residential housing units. The ultimate goal, considering the deregulation of the electricity market in Greece twelve years after its institutional deregulation- is to provide valuable information for electricity suppliers about their potential customers. For this purpose, attribute selection is performed firstly and then data mining techniques are applied, in order to extract a model that better predicts energy conumption. The data used are real and come from the Residential Energy Consumption Survey (RECS) of U.S. These are data concerning the use of energy in residential housing units including physical housing unit types, appliances utilized, demographics, fuels, and other energy use information. The results obtained were quite satisfactory. We concluded that the selection of both a priori and field indices, and the use of meta and ensemble techniques give the best results correlation coefficient 0,79. Komninou Mirsini July

12 Κεφάλαιο 1 Ειςαγωγή 1.1 Σκοπόσ τησ διπλωματικήσ Για τθν επιτυχία τθσ επιςτθμονικισ ζρευνασ, των επιχειρθματικϊν δράςεων και γενικότερα τθσ κοινωνικισ εξζλιξθσ θ αποτελεςματικι ςυλλογι, διαχείριςθ και επεξεργαςία πλθροφοριϊν αποτελεί κρίςιμο παράγοντα. Η ςυνεχισ ςυλλογι δεδομζνων μζςω καταγραφισ ςυναλλαγϊν, παρακολοφκθςθσ φαινομζνων και διενζργειασ μετριςεων είναι πλζον ευρφτατα διαδεδομζνθ. Παρόλα αυτά θ ικανότθτα ςυλλογισ και αποκικευςθσ δεδομζνων ζχει προ πολλοφ ξεπεράςει τθν ικανότθτα διαχείριςθσ και αξιοποίθςισ τουσ, με αποτζλεςμα ςυχνά να εγκαταλείπεται θ πικανότθτα αξιοποίθςθσ τουσ, είτε ςτα πλαίςια τθσ επιςτθμονικισ ζρευνασ, είτε ςτα πλαίςια των επιχειρθματικϊν δραςτθριοτιτων. Προκφπτει, δθλαδι, ότι δεν υπάρχει αντίςτοιχθ βελτίωςθ τθσ ικανότθτασ των ανκρϊπων για κατανόθςθ και αξιοποίθςθ των αποκθκευμζνων πλθροφοριϊν. Οι τεχνικζσ εξόρυξθσ δεδομζνων (data mining), αξιοποιοφν μεκόδουσ και εργαλεία τα οποία παρζχονται από τισ τεχνικζσ μθχανικισ μάκθςθσ (machine learning) και τα οποία αυτοματοποιοφν ςφνκετεσ και χρονοβόρεσ διαδικαςίεσ επαγωγισ γνϊςθσ από δεδομζνα, ζτςι ϊςτε να κακίςταται εφικτι θ ανάλυςθ μεγάλου όγκου δεδομζνων και να ςυνάγονται χριςιμα ςυμπεράςματα. Στόχοσ τθσ παροφςασ διπλωματικισ εργαςίασ είναι θ αντιμετϊπιςθ ενόσ πραγματικοφ προβλιματοσ, ςυγκεκριμζνα τθσ ζγκαιρθσ, επιτυχοφσ και αξιόπιςτθσ πρόβλεψθσ τθσ κατανάλωςθσ θλεκτρικισ ενζργειασ των νοικοκυριϊν εφαρμόηοντασ τεχνικζσ εξόρυξθσ γνϊςθσ. Η γνϊςθ που κα εξαχκεί κα χρθςιμοποιθκεί από τουσ προμθκευτζσ θλεκτρικισ ενζργειασ για τθ ςτοχοποίθςθ ςυγκεκριμζνων ομάδων καταναλωτϊν αλλά και τθ διαμόρφωςθ διαφόρων πακζτων προςφορϊν. 1.2 Οριοθέτηςη τησ Περιοχήσ Μελέτησ Η απελευκζρωςθ τθσ αγοράσ θλεκτρικισ ενζργειασ ςθματοδότθςε μια νζα αρχι για τον ενεργειακό τομζα, αλλά και ςυνολικά για τθν οικονομικι ανάπτυξθ των χωρϊν όπου ςυντελζςτθκε. Με το νζο κακεςτϊσ όλοι οι καταναλωτζσ ενεργοποιοφνται ωσ πελάτεσ με δικαίωμα επιλογισ του προμθκευτι τουσ. Από τθν άλλθ οι προμθκευτζσ καλοφνται ςτα πλαίςια του ανταγωνιςμοφ να ςυγκεντρϊςουν όςο το δυνατόν περιςςότερεσ πλθροφορίεσ για τουσ πελάτεσ τουσ, να τισ μελετιςουν και να τισ αναλφςουν, με απϊτερο ςτόχο να τουσ παρζχουν πιο δελεαςτικά οικονομικά πακζτα- προςφορζσ. Η απελευκζρωςθ τθσ αγοράσ θλεκτρικισ ενζργειασ ςτθν Ελλάδα, αν και ζχει ιδθ ςυμπλθρϊςει δζκα χρόνια ιςχφοσ, εν τοφτοισ μόλισ πρόςφατα δόκθκε θ δυνατότθτα επιλογισ προμθκευτι και για τα νοικοκυριά. Συγκεκριμζνα, θ επιλογι μπορεί να γίνει ανάμεςα ςτθ ΔΕΗ Α.Ε. και τθν Αυςτριακι Verbund. Αποτζλεςμα του μονοπωλίου ςε ό,τι αφορά τουσ καταναλωτζσ χαμθλισ τάςθσ είναι και θ ζλλειψθ δεδομζνων που αφοροφν ςτισ θλεκτρικζσ καταναλϊςεισ αλλά και 12

13 ςυνικειεσ των τελευταίων. Με το άνοιγμα τθσ αγοράσ το ενδιαφζρον κα ςτραφεί ςτθ ςυλλογι και επεξεργαςία εκείνων των δεδομζνων που μποροφν να δϊςουν χριςιμεσ πλθροφορίεσ ςτουσ προμθκευτζσ. Η παροφςα διπλωματικι εργαςία πραγματεφεται τθν επεξεργαςία δεδομζνων που αφοροφν χαρακτθριςτικά καταναλωτϊν θλεκτρικισ ενζργειασ των Η.Π.Α. εφαρμόηοντασ μεκόδουσ εξόρυξθσ γνϊςθσ και τθ δθμιουργία μοντζλων που να μποροφν να προβλζπουν τθν θλεκτρικι κατανάλωςθ των υποψιφιων πελατϊν. Η γνϊςθ που κα εξαχκεί από τθν επεξεργαςία των παραπάνω δεδομζνων, κα αποτελζςει το υπόβακρο για μελλοντικι εφαρμογι ςτα ελλθνικά δεδομζνα. Για τθν επεξεργαςία των δεδομζνων και τθν εξαγωγι πολφτιμθσ γνϊςθσ από αυτά χρθςιμοποιικθκε το λογιςμικό Weka, το οποίο περιζχει υλοποιθμζνουσ τουσ ςθμαντικότερουσ αλγορίκμουσ εξόρυξθσ γνϊςθσ. 1.3 Επιςκόπηςη Περιεχομένων Η εργαςία, εκτόσ τθσ Ειςαγωγισ που αποτελεί και το 1ο Κεφάλαιο, περιλαμβάνει ακόμα πζντε κεφάλαια και ολοκλθρϊνεται με το Παράρτθμα. Στο 2ο Κεφάλαιο γίνεται μια μικρι αναφορά ςτθν απελευκζρωςθ τθσ αγοράσ θλεκτρικισ ενζργειασ και ςτο ςθμαντικό ρόλο που παίηει θ πρόβλεψθ φορτίου ςτθ διαμόρφωςθ τθσ προθγοφμενθσ. Ζπειτα, ακολουκεί αναφορά κάποιων ερευνϊν που ζχουν διεξαχκεί ζωσ ςιμερα ςτθν κατεφκυνςθ τθσ αξιοποίθςθσ των ενεργειακϊν δεδομζνων για τθν πρόβλεψθ του φορτίου των καταναλωτϊν. Το 3ο Κεφάλαιο αναφζρεται ςτον επιςτθμονικό τομζα τθσ εξόρυξθσ γνϊςθσ. Δίνεται ο οριςμόσ αυτισ, θ ςπουδαιότθτά τθσ και θ διαφορά τθσ από τθν KDD διαδικαςία. Αναλφεται θ ςθμαςία τθσ προεπεξεργαςίασ δεδομζνων αλλά και οι τρόποι που γίνεται αυτι και τζλοσ, παρουςιάηονται οι κυριότερεσ τεχνικζσ ανακάλυψθσ γνϊςθσ από βάςεισ δεδομζνων. Στο 4ο Κεφάλαιο παρουςιάηεται το λογιςμικό Weka που χρθςιμοποιικθκε για τθν επίλυςθ του προβλιματοσ τθσ εργαςίασ. Περιγράφεται το γραφικό του κομμάτι (GUI) και θ παρουςίαςθ εςτιάηεται ςτο περιβάλλον Explorer του ςυςτιματοσ, κακϊσ αυτό χρθςιμοποιικθκε κυρίωσ κατά τθν επίλυςθ του προβλιματοσ. Στο 5ο Κεφάλαιο παρουςιάηεται το ςφνολο δεδομζνων και οι αλγόρικμοι εξόρυξθσ γνϊςθσ που χρθςιμοποιικθκαν. Συγκεκριμζνα, γίνεται μια αναφορά ςτισ μεταβλθτζσ που χρθςιμοποιικθκαν, τθν προεπεξεργαςία που ζγινε ςτα δεδομζνα ζωσ και τθν τελικι μετατροπι τουσ ςε αρχεία.arff, κατάλλθλα για χριςθ από το λογιςμικό WEKA. Ζπειτα, καταγράφονται με τθ ςειρά που διεξιχκθςαν τα διάφορα πειράματα, από τθν επιλογι των μεταβλθτϊν ζωσ τθν εξαγωγι μοντζλων από τουσ διάφορουσ αλγόρικμουσ του WEKA που χρθςιμοποιικθκαν και γίνεται ςφγκριςθ των αποτελεςμάτων. 13

14 Το 6ο Κεφάλαιο περιλαμβάνει τα ςυμπεράςματα που προζκυψαν μετά τθν ολοκλιρωςθ τθσ εργαςίασ. Καταγράφονται, επίςθσ, κάποια κζματα που κα μποροφςαν μελλοντικά να αντιμετωπιςτοφν. Ακολουκοφν οι αναφορζσ ςτισ πθγζσ που χρθςιμοποιικθκαν για τθ ςυγγραφι τθσ διπλωματικισ εργαςίασ. 14

15 15

16 Κεφάλαιο 2 - Απελευθέρωςη Αγοράσ Ηλεκτρικήσ Ενέργειασ-Αξιοποίηςη ενεργειακών δεδομένων Σε πολλζσ χϊρεσ του κόςμου, οι καταναλωτζσ θλεκτρικισ ενζργειασ, από τουσ καταναλωτζσ υψθλισ ζωσ και τουσ καταναλωτζσ χαμθλισ τάςθσ, μποροφν πλζον να αγοράηουν τθν θλεκτρικι ενζργεια από οποιονδιποτε προμθκευτι επικυμοφν ςτθν αγορά. Το μονοπϊλιο ανικει ςτο παρελκόν, ενϊ ζχουμε αποφαςιςτικά πλζον μπει ςτθν απελευκερωμζνθ αγορά θλεκτρικισ ενζργειασ. 2.1 Οριοθέτηςη Προβλήματοσ Στα προγενζςτερα ρυκμιηόμενα ςυςτιματα, θ πλθροφορία που αφοροφςε ςτισ καταναλϊςεισ ιταν ςθμαντικι για τθν πρόβλεψθ τθσ ηιτθςθσ του φορτίου και τον προγραμματιςμό του ςυςτιματοσ. Στισ ελεφκερεσ αγορζσ θλεκτρικισ ενζργειασ, θ γνϊςθ αυτισ τθσ πλθροφορίασ είναι εξαιρετικισ ςθμαςίασ για τθν επίτευξθ ςυμφωνιϊν για τθν τιμι του θλεκτρικοφ ρεφματοσ ανάμεςα ςτουσ καταναλωτζσ και τουσ προμθκευτζσ, για τον κακοριςμό ςτρατθγικϊν μάρκετινγκ, κακϊσ και καινοτόμων ςυμβολαίων και υπθρεςιϊν. Για τουσ προμθκευτζσ που επιλζγουν μια ςτρατθγικι διαφοροποίθςθσ, θ γνϊςθ των αναγκϊν των πελατϊν τουσ είναι πολφ ςθμαντικι ςτο να μπορζςουν να προςφζρουν υπθρεςίεσ και προϊόντα που ταιριάηουν ςτισ ανάγκεσ των τελευταίων. Κατά ςυνζπεια, ςτο απελευκερωμζνο περιβάλλον θλεκτρικισ ενζργειασ θ γνϊςθ του προφίλ φορτίου του καταναλωτι είναι πολφ ςθμαντικι. Η γνϊςθ τθσ ςυμπεριφοράσ των καταναλωτϊν είναι ζνα χριςιμο εργαλείο λιψθσ αποφάςεων, όχι μόνο για τισ εταιρείεσ παροχισ θλεκτρικισ ενζργειασ αλλά και για τουσ ίδιουσ τουσ καταναλωτζσ. 2.2 State-of-the-art Ο κακοριςμόσ των κλάςεων καταναλωτϊν, των ςυςτάδων, ζχει υπάρξει αντικείμενο μελζτθσ αρκετϊν ερευνθτικϊν εργαςιϊν ζωσ ςιμερα. Κάποιεσ από αυτζσ παρουςιάηονται παρακάτω. 1. Μια πρϊτθ προςπάκεια κατθγοριοποίθςθσ των καταναλωτϊν θλεκτρικισ ενζργειασ ςτθν Αγγλία, παρουςιάηεται ςτο *1+, το Η ζρευνα περιλαμβάνει δεδομζνα από 500 πελάτεσ με μζγιςτθ ηιτθςθ κάτω από 100kW. Για κάκε πελάτθ ζγινε καταγραφι του φορτίου του ανά μιςι ϊρα, για μια περίοδο εφτά μθνϊν (1/10/94-30/4/95). Επιπλζον, χρθςιμοποιοφνται μετεωρολογικά δεδομζνα για τθν ίδια περίοδο - ωριαία: κερμοκραςία, ταχφτθτα ανζμου, υγραςία, ποςοςτό ςυννεφιάσ και θμεριςια: χρόνοσ θλιοφάνειασ αλλά και χαρακτθριςτικά πελάτθ, όπωσ ο κϊδικασ SIC (Standard Industrial Classification code), ο κϊδικασ δαςμολόγθςθσ, ο ςυντελεςτισ φορτίου και θ μζγιςτθ ιςχφσ. Χρθςιμοποιείται θ τεχνικι εξόρυξθσ γνϊςθσ (data mining) και ςυγκεκριμζνα μια νζα μζκοδοσ ςυςταδοποίθςθσ, με χριςθ προςαρμοηόμενων δζνδρων απόφαςθσ (adaptive decision tree clustering framework), με ςτόχο τθ δθμιουργία 16

17 εμφανϊσ αμοιβαία αποκλειόμενων αντιπροςωπευτικϊν προφίλ καταναλωτϊν (load profiles). Γίνεται ζνασ διαχωριςμόσ ανάμεςα ςε εςωτερικό-intrinsic clustering και εξωτερικό-extrinsic clustering. Στθν πρϊτθ περίπτωςθ θ ανάλυςθ γίνεται απουςία μεταβλθτϊν πρόβλεψθσ, ενϊ ςτθ δεφτερθ χρθςιμοποιοφνται και δεδομζνα που αφοροφν ςτουσ πελάτεσ για να οδθγιςουν ι να κζςουν κάποιουσ περιοριςμοφσ ςτθ διαδικαςία τθσ ςυςταδοποίθςθσ. Από τα αποτελζςματα που ζδωςαν τα δζντρα απόφαςθσ προζκυψε ότι ο πιο ςθμαντικόσ χρονικόσ παράγοντασ είναι ο διαχωριςμόσ ανάμεςα ςε εργάςιμεσ θμζρεσ και ςαββατοκφριακα. Ο ςυντελεςτισ φορτίου είναι ο επόμενοσ ςθμαντικότεροσ παράγοντασ και ακολουκοφν ο κϊδικασ SIC και ο κϊδικασ δαςμολόγθςθσ. Τζλοσ, προτείνεται θ μζκοδοσ τθσ υβριδικισ ςυςταδοποίθςθσ (hybrid clustering), με τθν οποία είναι δυνατόσ ο εντοπιςμόσ ςθμαντικϊν ςυςτάδων μζςα ςτα υποςφνολα των καταναλωτϊν, κάτι που δεν προςφζρεται από τθν εξωτερικι ςυςταδοποίθςθ. 2. Στθν Ιαπωνία θ απελευκζρωςθ τθσ αγοράσ θλεκτρικισ ενζργειασ ξεκίνθςε ςταδιακά το Μάρτιο του 2000 και ςτόχευε αρχικά ςτουσ καταναλωτζσ υπερυψθλισ τάςθσ (20kV και πάνω) και με ηιτθςθ βάςει ςυμβολαίου πάνω από 2000kW. Στο *2+ προτείνεται θ εφαρμογι του CRM (Customer Relationship Management) ςτον τομζα τθσ θλεκτρικισ ενζργειασ, που με ςτόχο τθν ικανοποίθςθ του πελάτθ (Customer Satisfaction), του προςφζρει ςυνεχϊσ νζα προϊόντα και υπθρεςίεσ. Αρχικά γίνεται ζνασ διαχωριςμόσ των καταναλωτϊν ςε τζςςερισ ομάδεσ, με βάςθ τθ ηιτθςθ και το ςυντελεςτι φορτίου τουσ όπωσ φαίνεται ςτο παρακάτω ςχιμα. Συντ.Φορτίου Ζήτηςη Χαμηλόσ Υψηλόσ Υψηλή Χαμηλή Κανονικι Ομάδα (1) Κανονικι Ομάδα (2) Προτιμϊμενθ ομάδα Προτιμϊμενοι πελάτεσ-καταναλωτζσ είναι εκείνοι με υψθλι ηιτθςθ και υψθλό ςυντελεςτι φορτίου και αυτοφσ ακριβϊσ προςπακοφν να προςελκφςουν οι εταιρείεσ μζςω ειδικϊν προςφορϊν και υπθρεςιϊν. Όλοι οι υπόλοιποι είναι κανονικοί πελάτεσ, με τθ διαφορά ότι για τθν ομάδα 1 προτείνονται μζτρα με ςκοπό να μετακινθκεί ςτθν προτιμϊμενθ ομάδα, όπωσ θ αγορά ςυςκευϊν εξοικονόμθςθσ ενζργειασ, ενϊ για τθν ομάδα 2 παρζχονται απλά υπθρεςίεσ εξυπθρζτθςθσ μζςω internet και τθλεφϊνου. Μετά τον αρχικό διαχωριςμό ςε τζςςερισ ομάδεσ, γίνεται προςπάκεια να κατανοθκοφν τα χαρακτθριςτικά των πελατϊν που περιλαμβάνονται ςε κακεμιά από αυτζσ. Αυτό γίνεται με εφαρμογι τθσ τεχνικισ εξόρυξθσ δεδομζνων (data mining) και τθ δθμιουργία δζνδρων απόφαςθσ (decision tree) για κακεμιά ομάδα. Μζςα από τα δζνδρα απόφαςθσ που δθμιουργοφνται και τουσ κανόνεσ που εξάγονται μποροφμε πλζον να κατανοιςουμε ποιεσ είναι οι παράμετροι που επθρεάηουν τθν κάκε ομάδα καταναλωτϊν (εκτόσ φυςικά από το ςυντελεςτι φορτίου και τθ ηιτθςθ που χρθςιμοποιοφνται ςτον αρχικό διαχωριςμό). 17

18 3. Στο *3+ γίνεται μια διάκριςθ ανάμεςα ςτουσ δείκτεσ που χρθςιμοποιοφνται για τθ δθμιουργία των ςυςτάδων καταναλωτϊν, ςε a priori indices και field indices. Οι πρϊτοι αφοροφν ςε δεδομζνα φφςθσ ςυμβολαίου, όπωσ είναι το είδοσ τθσ οικονομικισ δραςτθριότθτασ του καταναλωτι, θ ςυμφωνθμζνθ ιςχφσ, θ παρεχόμενθ τάςθ κ.α., ενϊ οι δεφτεροι προζρχονται από τα θμεριςια διαγράμματα φορτίου (load diagrams). Η χριςθ των a priori δεικτϊν οδθγεί ςε λάκοσ ςυμπεράςματα, που δεν ζχουν καμία ςχζςθ με τθν ενεργειακι κατανάλωςθ των πελατϊν. Από τθν άλλθ για τθν επιλογι των κατάλλθλων field indices χρθςιμοποιοφνται ωσ μζτρα απόδοςθσ θ Μζςθ Καταλλθλότθτα Δείκτθ (Mean Index Adequacy, MIA) και ο Δείκτθσ Διαςποράσ Συςταδοποίθςθσ (Clustering Dispersion Indicator, CDI). Χρθςιμοποιείται μια αυτόματθ μζκοδοσ ςυςταδοποίθςθσ των διαγραμμάτων φορτίου που περιγράφεται ςτο *13+ και για τθν οποία δεν απαιτείται να οριςτεί αρχικι τιμι του αρικμοφ των ςυςτάδων. Τζλοσ, από τθ ςυγκεκριμζνθ μελζτθ προκφπτει ότι θ χριςθ ςφνκετων δεικτϊν (composite indices) μπορεί να οδθγιςει ςε καλφτερα αποτελζςματα. 4. Στο *4+ γίνεται διαχωριςμόσ των καταναλωτϊν θλεκτρικισ ενζργειασ τθσ Σλοβενίασ. Τα δεδομζνα τθσ μελζτθσ προζρχονται από 288 καταναλωτζσ, για τουσ οποίουσ θ δειγματολθψία για τθν καμπφλθ φορτίου ζγινε ανά πζντε λεπτά, για τθν περίοδο ενόσ μθνόσ. Γίνεται κακαριςμόσ των δεδομζνων από το κόρυβο κι ζπειτα κανονικοποίθςι τουσ, με ςυντελεςτι κανονικοποίθςθσ τθ μζγιςτθ ιςχφ. Ζπειτα, γίνεται εφαρμογι μοντζλων αναγνϊριςθσ προτφπων με ςκοπό τθ ςυςταδοποίθςθ των μετρθμζνων χαρακτθριςτικϊν φορτίου (Measured Load Profiles, MLP) και τον κακοριςμό των τυπικϊν χαρακτθριςτικϊν φορτίου (Typical Load Profiles, TLP). Συγκεκριμζνα χρθςιμοποιοφνται ο αλγόρικμοσ Fuzzy C-Means (FCM) και ο Hierarchical Clustering (HC), ςτον οποίο χρθςιμοποιείται για τον υπολογιςμό τθσ απόςταςθσ μεταξφ των ςυςτάδων είτε θ μζςθ απόςταςθ - Average, HCa είτε θ Ward HCw. Τα αποτελζςματα του Fuzzy C-Means ζδωςαν 15 ςαφϊσ διαχωριςμζνεσ μεταξφ τουσ ςυςτάδεσ MLP, από τισ οποίεσ μποροφν να διακρικοφν 10 TLP. Κδια αποτελζςματα περίπου ζδωςε και ο αλγόρικμοσ HCw. 5. Στο *5+ γίνεται χριςθ τθσ KDD διαδικαςίασ, που υποςτθρίηεται από τεχνικζσ data mining. Το μοντζλο data mining που χρθςιμοποιείται για τον χαρακτθριςμό των καταναλωτϊν βαςίηεται ςτο ςυνδυαςμό τεχνικϊν επιβλεπόμενθσ και μθ επιβλεπόμενθσ μάκθςθσ. Συγκεκριμζνα, αποτελείται από δυο ενότθτεσ. Στθν πρϊτθ ενότθτα χρθςιμοποιείται θ μθ επιβλεπόμενθ μάκθςθ μζςα από τεχνικζσ ςυςταδοποίθςθσ, με ςκοπό το διαχωριςμό των καταναλωτϊν ςε κλάςεισ. Στθ δεφτερθ ενότθτα χρθςιμοποιείται θ επιβλεπόμενθ μάκθςθ, όπου μζςα από δζντρα απόφαςθσ δθμιουργείται ζνα ςφνολο κανόνων που περιγράφουν τθν κάκε κλάςθ, με ςκοπό τθν ταξινόμθςθ νζων πελατϊν ςτισ δθμιουργθκείςεσ κλάςεισ. Τα καλφτερα αποτελζςματα από τουσ αλγορίκμουσ ςυςταδοποίθςθσ που χρθςιμοποιικθκαν δίνει ο ςυνδυαςμόσ του SOM (Self- Organizing Map) και του κλαςςικοφ k-means. Ο SOM βοθκά ςτθ μείωςθ των διαςτάςεων του αρχικοφ ςετ δεδομζνων. Από τθν άλλθ ο k-means δίνει πολφ καλά αποτελζςματα ςε ςετ δεδομζνων με ςυνεχείσ μεταβλθτζσ, όπωσ είναι τθσ ςυγκεκριμζνθσ μελζτθσ. Στθ δεφτερθ ενότθτα ο αλγόρικμοσ ταξινόμθςθσ που χρθςιμοποιείται είναι ο C5.0. Επιλζχκθκε γιατί δθμιουργεί εφρωςτα μοντζλα για τα οποία δεν απαιτοφνται μεγάλοι χρόνοι εκπαίδευςθσ. Η βάςθ δεδομζνων που χρθςιμοποιικθκε περιλάμβανε δεδομζνα από 165 καταναλωτζσ χαμθλισ 18

19 τάςθσ τθσ Πορτογαλίασ. Η περίοδοσ δειγματολθψίασ ιταν τρεισ μινεσ το καλοκαίρι και άλλοι τρεισ το χειμϊνα και το διάςτθμα δειγματολθψίασ 15 λεπτά. 6. Στο *6+ γίνεται μια προςπάκεια κακοριςμοφ των τυπικϊν χαρακτθριςτικϊν φορτίου των καταναλωτϊν τθσ Μαλαιςίασ, με χριςθ του fuzzy clustering. Χρθςιμοποιοφνται δεδομζνα φορτίου από 300 τροφοδότεσ. Για τθν αξιολόγθςθ των κλάςεων που προκφπτουν από τον κάκε αλγόρικμο χρθςιμοποιοφνται οι δείκτεσ NFI-Nonfuzziness index, F-Partition coefficient, H- Partition entropy, MinHT-Minimum hard tendency, MeanHt-Mean hard tendency και S- Seperation index. Επίςθσ, ςτθν εργαςία αυτι προτείνεται θ μζκοδοσ τθσ επαναςυςταδοποίθςθσ (re-clustering), που βοθκά ςτθν ανακάλυψθ του πραγματικοφ ςχιματοσ των TLP. 7. Στο *7+ για πρϊτθ φορά γίνεται λόγοσ για το πρόβλθμα των κλοπϊν που αντιμετωπίηουν τα δίκτυα θλεκτροδότθςθσ. Η κλοπι μπορεί να πραγματοποιείται είτε μζςω αλλοίωςθσ των μετριςεων, είτε με παράνομεσ ςυνδζςεισ, είτε με απλιρωτουσ λογαριαςμοφσ. Και ςτισ τρεισ όμωσ περιπτϊςεισ ζχει ςθμαντικό οικονομικό κόςτοσ για τισ εταιρείεσ παροχισ θλεκτρικοφ ρεφματοσ. Για το λόγο αυτό, ενϊ ζωσ τϊρα οι αςυνικιςτεσ ανϊμαλεσ τιμζσ που εμφανίηονταν ςτα δεδομζνα απομακρφνονταν ι αντικακιςτοφνταν κατά τθ φάςθ τθσ προεπεξεργαςίασ, ςτθν παροφςα μελζτθ αντιμετωπίηονται ωσ ακραίεσ τιμζσ. Χρθςιμοποιικθκαν δεδομζνα από 200 καταναλωτζσ που ανικουν ςτο δίκτυο τθσ Μαλαιςίασ, για μια περίοδο δειγματολθψίασ 6 μθνϊν και διάςτθμα 30 λεπτϊν. Λιφκθκαν επίςθσ υπόψθ δεδομζνα όπωσ ο τφποσ καταναλωτϊν, το επίπεδο τάςθσ και διακρίκθκαν οι ηεςτζσ θμζρεσ από τισ βροχερζσ. Χρθςιμοποιικθκαν τρεισ αλγόρικμοι ςυςταδοποίθςθσ : ο k-means, ο ΕΜ και ο COBWEB. Από τα αποτελζςματα προκφπτει ότι ο COBWEB ζχει το χειρότερο χρόνο επίδοςθσ, ενϊ ο k-means ζχει τον καλφτερο για το ςυγκεκριμζνο τουλάχιςτον ςετ δεδομζνων. 8. Στο *8+ παρουςιάηεται μια προςπάκεια κατθγοριοποίθςθσ των καταναλωτϊν θλεκτρικοφ ρεφματοσ τθσ Ελλάδοσ. Χρθςιμοποιοφνται δεδομζνα από 94 καταναλωτζσ μζςθσ τάςθσ που θ μζγιςτθ ιςχφσ τουσ ποικίλει από 250kW ζωσ και 10MW. Το διάςτθμα δειγματολθψίασ είναι ανά 15 λεπτά και θ περίοδοσ 10 μινεσ κατά το ζτοσ Η μεκοδολογία που ακολουκείται περιλαμβάνει δυο ςτάδια. Στο πρϊτο ςτάδιο οι καμπφλεσ φορτίου των καταναλωτϊν οργανϊνονται ςε καλά οριςμζνεσ και ευδιάκριτεσ κλάςεισ, με ςτόχο τθ ςωςτι περιγραφι τθσ θλεκτρικισ ςυμπεριφοράσ των καταναλωτϊν. Στο δεφτερο ςτάδιο γίνεται ταξινόμθςθ των καταναλωτϊν χρθςιμοποιϊντασ τισ χαρακτθριςτικζσ τυπικζσ καμπφλεσ φορτίου από το πρϊτο ςτάδιο. Οι αλγόρικμοι ςυςταδοποίθςθσ που χρθςιμοποιοφνται είναι ο k-means, ο AVQ adaptive vector quantization, ο fuzzy k-means, και άλλοι επτά hierarchical agglomerative. Για τθν αξιολόγθςι τουσ χρθςιμοποιοφνται ζξι μζτρα καταλλθλότθτασ (mean square error, mean index adequacy, clustering dispersion indicator, similarity matrix, Davies-Bouldin indicator, ratio of within cluster sum of squares to between cluster variation). Τελικά οι 94 καταναλωτζσ, τα δεδομζνα των οποίων χρθςιμοποιικθκαν ςτθ ςυγκεκριμζνθ μελζτθ, ςχθματίηουν 8 βαςικζσ κλάςεισ, ενϊ τζςςερισ από αυτοφσ παρουςιάηουν μια ιδιαίτερθ ςυμπεριφορά. Και αυτι θ μελζτθ καταλιγει ςτο ότι οι a priori δείκτεσ δεν είναι αντιπροςωπευτικοί των καμπυλϊν φορτίου. 19

20 9. Στο *9+ γίνεται χαρακτθριςμόσ των καταναλωτϊν μζςθσ τάςθσ με χριςθ δεδομζνων από 229 καταναλωτζσ τθσ Πορτογαλικισ εταιρείασ διανομισ θλεκτρικισ ενζργειασ. Το δείγμα αφορά δεδομζνα για τθν περίοδο των 3 καλοκαιρινϊν μθνϊν και των 3 χειμερινϊν και θ περίοδοσ δειγματολθψίασ είναι ανά 15 λεπτά. Για τισ ελλιπείσ τιμζσ χρθςιμοποιικθκε ζνα multi layer perceptron (MLP), ενϊ νευρωνικό δίκτυο χρθςιμοποιικθκε και για τθν ανάλυςθ τθσ βαρφτθτασ και τελικά τθν επιλογι των μεταβλθτϊν. Χρθςιμοποιικθκαν οι αλγόρικμοι Two-Step, K-Means και ο Self-Organizing Maps (SOM) ςτθν πλατφόρμα Clementine version 8.5 [Clementine Data Mining System, web page ]. 10. Στο *10+ εφαρμόηεται ςτα δεδομζνα 1049 καταναλωτϊν υψθλισ τάςθσ τθσ Κορζασ, που καλφπτουν μια περίοδο 10 μθνϊν, από τον Ιανουάριο ζωσ και τον Οκτϊβρθ του 2007, ο αλγόρικμοσ k-means προκειμζνου να γίνει ομαδοποίθςθ ςε κλάςεισ και να βρεκοφν αντιπροςωπευτικά προφίλ φορτίου για τθν κακεμιά. Για να γίνει θ ςφγκριςθ ανάμεςα ςτισ χαρακτθριςτικζσ φορτίου χρθςιμοποιικθκαν χαρακτθριςτικά των ςχθμάτων των καμπυλϊν, όπωσ ο ςυντελεςτισ φορτίου, θ επίδραςθ τθσ νφκτασ και θ επίδραςθ του μεςθμεριανοφ, και θ κερμοκραςία και θ μζγιςτθ ηιτθςθ ιςχφοσ. Για τθν πρόβλεψθ άγνωςτων καμπυλϊν φορτίου χρθςιμοποιικθκαν οι μζκοδοι CMAR( Classification Based on Multiple Association Rules), CPAR( Classification Based on Predictive Association Rules), SVM(Support Vector Machine) και C4.5 (Decision Tree), ενϊ για τθν αποτίμθςθ τθσ αποδοτικότθτάσ τουσ χρθςιμοποιικθκαν τα mean absolute error, root mean squared error και accuracy. Τα αποτελζςματα ζδειξαν πωσ ο αλγόρικμοσ CPAR δίνει τθ μεγαλφτερθ ακρίβεια και το μικρότερο ςφάλμα. 11. Στο *11+ ακολουκείται μια διαφορετικι μζκοδοσ από αυτζσ που αναφζρκθκαν ζωσ τϊρα. Αντί για ςυνάκροιςθ των επιμζρουσ με ςκοπό τθν εφρεςθ τθσ ςυνολικισ ηιτθςθσ, πραγματοποιείται ανάλυςθ τθσ ςυνολικισ ηιτθςθσ ςε διαφορετικοφσ τφπουσ καταναλϊςεων- top-down μζκοδοσ. Χρθςιμοποιείται ο αλγόρικμοσ Tabu Search, ο οποίοσ μειϊνει το ςφάλμα μεταξφ τθσ πραγματικισ και τθσ υπολογιςκείςασ ηιτθςθσ, αλλάηοντασ το ςχετικό βάροσ του κάκε φορτίου αλλά και το προφίλ του. Η μζκοδοσ αυτι εφαρμόςτθκε ςτα δεδομζνα μιασ αςτικισ περιοχισ Ιςπανικισ πόλθσ, που αφοροφςαν ςε ζνα ολόκλθρο ζτοσ. Από τα αποτελζςματα προκφπτει μια επαναλθπτικότθτα ςτθ ηιτθςθ, ενϊ τα μεγαλφτερα ςφάλματα εμφανίηονται για τισ θμζρεσ Σάββατο, Κυριακι και Δευτζρα κακϊσ εκείνεσ τισ θμζρεσ οι καταναλϊςεισ διαφζρουν από τισ υπόλοιπεσ (θμζρεσ εργαςίασ). 12. Με δεδομζνα από Ιταλοφσ καταναλωτζσ χαμθλισ τάςθσ τθσ Enel, για τθν περίοδο μεταξφ τθσ πρϊτθσ εβδομάδοσ του Φεβρουαρίου 2009 ζωσ και τθσ τελευταίασ του Μαρτίου του ίδιου χρόνου, ζγινε θ ςυςταδοποίθςθ ςτο *12+. Για τα πειράματα και τθν ανάλυςθ ςτθ μελζτθ αυτι χρθςιμοποιικθκε το Exeura Rialto, ζνα γραφικό περιβάλλον για data mining και knowledge discovery. Χρθςιμοποιικθκε ο αλγόρικμοσ K-Means αλλά και ο TS-Part, για τον οποίο δεν απαιτείται να κακοριςτεί εκ των προτζρων ο αρικμόσ των κλάςεων. Εκτόσ από τθν Ευκλείδεια απόςταςθ χρθςιμοποιικθκε και ο αλγόρικμοσ Dynamic Time Warping (DTW). Τα καλφτερα αποτελζςματα ζδωςε ο TS-Part ςε ςυνδυαςμό με το DTW, δίνοντασ μάλιςτα μικρό αρικμό κλάςεων που βοθκάει ςτο ςχεδιαςμό καλφτερων ςτρατθγικϊν τιμολόγθςθσ τθσ θλεκτρικισ ενζργειασ. 20

21 21

22 Κεφάλαιο 3 - Εξόρυξη Γνώςησ 3.1 Τι οδήγηςε ςτην Εξόρυξη Γνώςησ και ποια η ςπουδαιότητά τησ Η αναγκαιότθτα είναι θ μθτζρα τθσ ανακάλυψθσ (Πλάτων). Η εξόρυξθ γνϊςθσ μπορεί να κεωρθκεί ωσ αποτζλεςμα τθσ φυςικισ εξζλιξθσ τθσ Τεχνολογίασ τθσ Πλθροφορίασ (Information Technology). Παρακολουκϊντασ τθν πορεία τθσ ςτο χρόνο (Εικόνα 3.1), τθ δεκαετία του 60 γίνεται το πρϊτο επαναςτατικό βιμα με τθ ςυλλογι δεδομζνων (data collection), ενϊ τθ δεκαετία του 70 αναπτφςςεται το πρϊτο Σχεςιακό Σχιμα Βάςεων Δεδομζνων (RDBMS). Κατά τθ δεκαετία του 80 αναπτφςςεται θ τεχνολογία τθσ προςπζλαςθσ δεδομζνων, με τθν εφαρμογι του ςχεςιακοφ μοντζλου και τθν ανάπτυξθ ςχετικϊν γλωςςϊν προγραμματιςμοφ. Σε μικρό χρονικό διάςτθμα (δεκαετία 90) ακολουκεί και το επόμενο ρθξικζλευκο βιμα ςτο χϊρο τθσ διαχείριςθσ δεδομζνων, θ ανάπτυξθ των Αποκθκϊν Δεδομζνων (Data Warehouses) και των Συςτθμάτων Στιριξθσ Αποφάςεων (Decision Support Systems DSS). Ωςτόςο, παρά τα εντυπωςιακά αποτελζςματα των ςυςτθμάτων ςτιριξθσ αποφάςεων, κρίνεται αναγκαία θ ανάπτυξθ μιασ νζασ γενιάσ εργαλείων και τεχνικϊν για ευφυι ανάλυςθ βάςεων δεδομζνων, ζτςι ϊςτε να επιτευχκεί θ επίλυςθ του πλζον κφριου προβλιματοσ ςτισ μεγάλεσ βάςεισ δεδομζνων, του data rich but information poor. Αυτι θ αδυναμία τθσ ανκρϊπινθσ αντίλθψθσ να εξάγει ςυμπεράςματα από τα δεδομζνα ενόσ ςυςτιματοσ, τα οποία αυξάνονται με ιλιγγιϊδεισ ρυκμοφσ, ςε ςυνδυαςμό με τθν ανάγκθ ερμθνείασ όλων αυτϊν των δεδομζνων, οδιγθςε ςε αυτό που ςιμερα ονομάηουμε Εξόρυξθ Δεδομζνων (Data Mining). Αρκεί να ςκεφτεί κανείσ ότι ςιμερα, πολφ ςθμαντικζσ αποφάςεισ δεν παίρνονται ςτθριηόμενεσ ςτθν πλθροφορία που περιζχεται ςτα δεδομζνα, αλλά ςτο ζνςτικτο αυτοφ που παίρνει τισ αποφάςεισ, απλά και μόνο γιατί δε μπορεί να αξιοποιιςει αυτά τα δεδομζνα. Προφανϊσ, αυτι θ διαδικαςία είναι επιρρεπισ ςε ςφάλματα, είναι χρονοβόρα και δαπανθρι. Από τθν άλλθ, τα ςυςτιματα εξόρυξθσ γνϊςθσ μποροφν να αναλφςουν τα δεδομζνα και να εξάγουν μοντζλα, ςυνειςφζροντασ ςθμαντικά ςε επιχειρθματικζσ ςτρατθγικζσ, ςτθν επιςτθμονικι και ιατρικι ζρευνα. 22

23 Εικόνα 3.1 Η εξζλιξθ των τεχνολογιϊν προσ τθν Εξόρυξθ Γνϊςθσ. 3.2 Τι είναι η Εξόρυξη Γνώςησ και ποια η διαφορά με την KDD διαδικαςία Πολφ ςυχνά θ εξόρυξθ γνϊςθσ λανκαςμζνα αντιμετωπίηεται ωσ ςυνϊνυμο τθσ KDD διαδικαςίασ (Knowledge Discovery from Data). Είναι όμωσ πολφ ςτενά ςυνδεδεμζνεσ ζννοιεσ, κακϊσ θ πρϊτθ αποτελεί βιμα τθσ δεφτερθσ διαδικαςίασ. Συγκεκριμζνα, θ ανακάλυψθ γνϊςεων ςε βάςεισ δεδομζνων (KDD) είναι θ μθ-αςιμαντθ διαδικαςία τθσ αναγνϊριςθσ προτφπων μζςα ςτα δεδομζνα μιασ βάςθσ, για τα οποία ιςχφει ότι είναι καινοφργια, είναι εφαρμόςιμα, είναι πικανόν χριςιμα και είναι απόλυτα κατανοθτά. Με τον όρο πρότυπο εννοοφμε ζνα μοντζλο το οποίο εφαρμόηεται ςτα δεδομζνα, ζτςι ϊςτε να του προςδίδει οριςμζνα κοινά χαρακτθριςτικά. Ο όροσ διαδικαςία ςυνεπάγεται ότι θ KDD αποτελείται από πολλά βιματα. Συγκεκριμζνα, αυτά είναι: 1. Ανάπτυξθ κατανόθςθσ του χϊρου τθσ εφαρμογισ και αναγνϊριςθ του ςκοποφ τθσ KDD διαδικαςίασ από τθ ςκοπιά του πελάτθ. 2. Δθμιουργία ενόσ ςετ δεδομζνων ςτο οποίο κα γίνει εφαρμογι τθσ KDD διαδικαςίασ (target data set). 3. Κακαριςμόσ και προεπεξεργαςία των δεδομζνων: αφαίρεςθ κορφβου, λιψθ αποφάςεων για το χειριςμό πεδίων τα οποία δεν υπάρχουν, κανονικοποίθςθ των δεδομζνων ςτθν περίπτωςθ που κζλουμε να χειριςτοφμε αρικμθτικά δεδομζνα, μετατροπι ςυμβολικϊν δεδομζνων ςε αρικμθτικά κτλ. 4. Μείωςθ των διαςτάςεων των δεδομζνων και προβολι τουσ με ςκοπό τθν εφρεςθ χριςιμων χαρακτθριςτικϊν για τθν παρουςίαςι τουσ. 23

24 5. Ταφτιςθ του ςκοποφ τθσ KDD διαδικαςίασ με μια ςυγκεκριμζνθ μζκοδο data mining. 6. Επιλογι ενόσ ι περιςςότερων αλγορίκμων data mining. 7. Εφαρμογι του data mining. 8. Ερμθνεία των προτφπων που ζχουν εξορυχκεί και πικανι επιςτροφι ςε ζνα από τα βιματα 1-7 για περαιτζρω επανάλθψθ και τζλοσ, 9. Εκμετάλλευςθ τθσ γνϊςθσ που ζχει εξαχκεί με τθν εφαρμογι τθσ ςε κάποιο άλλο ςφςτθμα με ςκοπό τθν περαιτζρω ανάλυςι τθσ. Αυτό μπορεί να ςθμαίνει ζλεγχοσ και επίλυςθ πικανϊν διαφορϊν με παλιότερα εξαγμζνα ςυμπεράςματα ι απλά παρουςίαςθ των ςυμπεραςμάτων ςτουσ άμεςα ενδιαφερόμενουσ. Τα βιματα τθσ KDD διαδικαςίασ φαίνονται ςτθν παρακάτω εικόνα. Εικόνα 3.2 Γραφικι αναπαράςταςθ τθσ KDD διαδικαςίασ. Όπωσ φαίνεται από τα παραπάνω, θ Εξόρυξθ Γνϊςθσ (Data Mining) είναι το 7 ο βιμα τθσ KDD διαδικαςίασ, το οποίο περιλαμβάνει τθν εφαρμογι ανάλυςθσ δεδομζνων και αλγορίκμων εξερεφνθςθσ με ςκοπό τθν εφρεςθ ενόσ ςυγκεκριμζνου αρικμοφ προτφπων μζςα ςτα δεδομζνα, υπό τον περιοριςμό τθσ αποδεκτισ υπολογιςτικισ πολυπλοκότθτασ και απόδοςθσ. 24

25 3.3 Τι είδουσ πρότυπα μπορούν να εξαχθούν από την Εξόρυξη Γνώςησ είναι: Τα είδθ προτφπων που μποροφν να εξαχκοφν και οι βαςικζσ μζκοδοι εξόρυξθσ δεδομζνων Χαρακτηριςμόσ και διακεκριμενοποίηςη (Characterization and discrimination): θ εφρεςθ μιασ ςυμπαγοφσ περιγραφισ για ζνα κομμάτι των δεδομζνων. Μζκοδοσ θ οποία γενικεφει, ςυγκεντρϊνει και διαχωρίηει με βάςθ κάποια χαρακτθριςτικά των δεδομζνων. Συςχζτιςη (Association-Correlation and Causality): Εξαγωγι νόμων ςυςχζτιςθσ (association rules)τα οποία υποδεικνφουν ςυνκικεσ ανάμεςα ςε χαρακτθριςτικά του dataset. Ταξινόμηςη (Classification): Εφρεςθ μιασ ςυνάρτθςθσ θ οποία ταξινομεί μια ομάδα δεδομζνων ςε μια προκακοριςμζνθ κλάςθ, με ςκοπό τθν ταξινόμθςθ δεδομζνων των οποίων θ κλάςθ δεν είναι γνωςτι. Ομαδοποίηςη (Clustering): Αναγνϊριςθ και κακοριςμόσ ενόσ πεπεραςμζνου ςετ κατθγοριϊν ι ομάδων με ςκοπό τθν περιγραφι των δεδομζνων. Βαςικι διαφορά με τισ προθγοφμενεσ μεκόδουσ είναι ότι θ ομαδοποίθςθ δε γίνεται με βάςθ κάποιο δεδομζνο πρότυπο. Εφρεςη παρείςακτων (Outlier Analysis): Αναγνϊριςθ δεδομζνων τα οποία δεν υπακοφουν ςτθ γενικότερθ ςυμπεριφορά του ςυνόλου των δεδομζνων. Ανάλυςη εξζλιξησ και τάςεων (Trend and evolution analysis): Εντοπιςμόσ και περιγραφι τάςεων και αποκλίςεων των δεδομζνων κατά τθ διάρκεια του χρόνου. Ενϊ με τον όρο classification αναφερόμαςτε ςτθν πρόβλεψθ κατθγορικϊν μεταβλθτϊν, με τον όρο prediction αναφερόμαςτε ςτθν πρόβλεψθ αρικμθτικϊν τιμϊν μεταβλθτϊν. Αυτό κα μασ απαςχολιςει και ςτθν παροφςα μελζτθ. 3.4 Παλινδρόμηςη-Regression Η παρεμβολή ή παλινδρόμηςη - regression είναι μια ςτατιςτικι μεκοδολογία πρόβλεψθσ τθσ τιμισ μιασ εξαρτθμζνθσ μεταβλθτισ (ι ζξοδοσ) από ζνα ςφνολο ανεξάρτθτων μεταβλθτϊν (ι είςοδοι). Στόχοσ τθσ είναι θ καταςκευι ενόσ μοντζλου που κα προςδιορίηει: 1. Τθ φφςθ τθσ εξάρτθςθσ ανάμεςα ςτισ εξαρτθμζνεσ και τισ ανεξάρτθτεσ μεταβλθτζσ. 2. Τθν αναμενόμενθ τιμι τθσ εξαρτθμζνθσ μεταβλθτισ όταν είναι γνωςτζσ οι τιμζσ των ανεξάρτθτων μεταβλθτϊν. Το πιο διαδεδομζνο μοντζλο είναι το γραμμικό μοντζλο παλινδρόμθςθσ (linear regression), όπου εκφράηει τθν εξαρτθμζνθ μεταβλθτι ωσ ςτακμιςμζνο άκροιςμα των μεταβλθτϊν ειςόδου προςκζτοντασ και ζνα τυχαίο ςφάλμα ε, το οποίο αντιπροςωπεφει το ςφάλμα μζτρθςθσ και τισ επιδράςεισ άλλων μεταβλθτϊν που όμωσ δεν περιλαμβάνονται ςτο μοντζλο. Ζςτω Υ είναι θ 25

26 εξαρτθμζνθ μεταβλθτι εξόδου και υπάρχουν k ανεξάρτθτεσ μεταβλθτζσ ειςόδου (Χ 1, Χ 2,.Χ k ),το γραμμικό μοντζλο που αποδίδει τθ ςχζςθ τουσ ζχει τθν εξισ μορφι: Υ = β 0 + β 1 Χ 1 + β 2 Χ 2 +.+β k X k + ε Μια από τισ διαδεδομζνεσ μεκόδουσ επίλυςθσ είναι θ μζκοδοσ των ελαχίςτων τετραγϊνων (least squares) που ελαχιςτοποιεί το ςφάλμα μεταξφ τθσ εκτιμϊμενθσ ςυνάρτθςθσ και των πραγματικϊν δεδομζνων. Στα μθ γραμμικά μοντζλα, θ εξαρτθμζνθ μεταβλθτι ςυνδζεται με τισ ανεξάρτθτεσ μεταβλθτζσ με πιο πολφπλοκο τρόπο. Σε κάποιεσ περιπτϊςεισ, όμωσ, τα μθ γραμμικά μοντζλα μποροφν να μετατραποφν ςε γραμμικά και να επιλυκοφν με τθ μζκοδο των ελαχίςτων τετραγϊνων. Οι πιο ςυχνά χρθςιμοποιοφμενεσ μζκοδοι για regression είναι οι εξισ *17]: 1. Simple Linear Regression: Πολφ απλό μοντζλο Παλινδρόμθςθσ, που επιλζγει το χαρακτθριςτικό με το μικρότερο τετραγωνικό ςφάλμα. Δεν επιτρζπει ελλιπείσ τιμζσ (missing values). 2. Linear Regression: Μζκοδοσ που χρθςιμοποιεί κλαςςικι γραμμικι Παλινδρόμθςθ για πρόβλεψθ. Για τθν επιλογι του μοντζλου χρθςιμοποιεί το κριτιριο Akaike και μπορεί να χειριςτεί δείγματα με βάρθ. 3. Pace Regression: Πολφ καλι μζκοδοσ γραμμικισ Παλινδρόμθςθσ, για πρόβλεψθ. Κάτω από κανονικζσ ςυνκικεσ, είναι βζλτιςτθ λφςθ όταν ο αρικμόσ των ςυνιςτωςϊν τείνει ςτο άπειρο. Αποτελείται από μια ομάδα εκτιμθτϊν (estimators) που είναι κακολικά βζλτιςτοι ι βζλτιςτοι κάτω από ςυγκεκριμζνεσ ςυνκικεσ. 4. Isotonic Regression: Είναι μια μζκοδοσ ιςοτονικισ Παλινδρόμθςθσ. Επιλζγει το χαρακτθριςτικό που ζχει ωσ αποτζλεςμα το ελάχιςτο τετραγωνικό ςφάλμα. Μπορεί να χειριςτεί δεδομζνα που είτε αυξάνονται είτε μειϊνονται μονότονα. 5. Additive Regression (Meta-Classifier): Οι Μετα-Ταξινομθτζσ (Metaclassifiers) βελτιϊνουν αιςκθτά τουσ βαςικοφσ ταξινομθτζσ (Classifiers). Κάκε πζραςμα του δείγματοσ μεταβάλει το μοντζλο ςφμφωνα με τα δεδομζνα που δεν ζχουν κατθγοριοποιθκεί ςτο προθγοφμενο πζραςμα. Η πρόβλεψθ γίνεται με τθν πρόςκεςθ των προβλζψεων από κάκε ταξινομθτι. Η μείωςθ τθσ παραμζτρου του ρυκμοφ εκμάκθςθσ (learning rate) βοθκάει ςτθν αποφυγι τθσ υπερεκπαίδευςθσ και εξομαλφνει τα αποτελζςματα, αλλά αυξάνει το χρόνο εκπαίδευςθσ. 26

27 3.5 Προεπεξεργαςία Δεδομένων Σκοπόσ Προεπεξεργαςίασ Δεδομένων Η εξόρυξθ γνϊςθσ αφορά ςτισ μεκοδολογίεσ για τθν εξαγωγι προτφπων από μεγάλεσ βάςεισ δεδομζνων. Δεδομζνου ότι ζνα ςφςτθμα εξόρυξθσ γνϊςθσ μπορεί να παράγει κάτω από διαφορετικζσ υποκζςεισ χιλιάδεσ ι εκατομμφρια πρότυπα, προκφπτουν κάποια ερωτιματα ςχετικά με τθν ποιότθτα των αποτελεςμάτων εξόρυξθσ γνϊςθσ. Η ποιότθτα των προτφπων εξαρτάται και από τθν ποιότθτα των ςτοιχείων που ζχουν αναλυκεί και από τθν ποιότθτα των αποτελεςμάτων εξόρυξθσ γνϊςθσ. Κατά ςυνζπεια, διάφορεσ τεχνικζσ ζχουν αναπτυχκεί ςτοχεφοντασ ςτθν αξιολόγθςθ και τθν προετοιμαςία των ςτοιχείων που χρθςιμοποιοφνται ωσ είςοδοσ ςτθ διαδικαςία εξόρυξθσ γνϊςθσ. Πολλζσ φορζσ τα δεδομζνα, όπωσ είναι διακζςιμα από τισ πραγματικζσ εφαρμογζσ, ςτεροφνται ποιότθτασ. Οι χριςτεσ των βάςεων δεδομζνων ςυχνά αναφζρουν λάκθ, εμφάνιςθ αςυνικιςτων τιμϊν και αςυνζπειεσ ςτα αποκθκευμζνα δεδομζνα. Για το λόγο αυτό είναι ςυνθκιςμζνο ςε πραγματικζσ εφαρμογζσ τα υπό ανάλυςθ δεδομζνα να είναι: Ημιτελι: Να παρουςιάηουν δθλαδι ζλλειψθ κάποιων τιμϊν γνωριςμάτων, ζλλειψθ οριςμζνων γνωριςμάτων που ίςωσ ζχουν ενδιαφζρον, ι να περιζχουν μόνο ακροιςτικά δεδομζνα. Θόρυβοσ: Περιζχουν λάκθ ι outliers. Αςυνεπι: Περιζχουν αποκλίςεισ ςτισ κωδικοποιιςεισ που χρθςιμοποιοφνται για να ταξινομιςουμε τα δεδομζνα ι ςτα ονόματα που χρθςιμοποιοφνται για να αναφερκοφμε ςτα ίδια δεδομζνα. Με βάςθ ζνα ςφνολο δεδομζνων που ςτερείται ποιότθτασ τα αποτελζςματα τθσ διαδικαςίασ εξόρυξθσ γνϊςθσ αναπόφευκτα τείνουν να είναι ανακριβι και να μθν παρουςιάηουν κάποιο ενδιαφζρον για τον ειδικό του χϊρου. Για το λόγο αυτό, θ προεπεξεργαςία των δεδομζνων είναι ζνα ςθμαντικό βιμα ςτθ διαδικαςία ανακάλυψθσ γνϊςθσ. Η εφαρμογι των τεχνικϊν προεπεξεργαςίασ δεδομζνων πριν από το βιμα τθσ εξόρυξθσ δεδομζνων κα μποροφςε να ςυμβάλλει ςτθ βελτίωςθ τθσ ποιότθτασ των υπό ανάλυςθ δεδομζνων και ςυνεπϊσ τθσ ακρίβειασ και τθσ αποτελεςματικότθτασ των διαδικαςιϊν που ακολουκοφν τθσ εξόρυξθσ δεδομζνων. Υπάρχει ζνασ αρικμόσ από τεχνικζσ προεπεξεργαςίασ δεδομζνων που ςτοχεφει ουςιαςτικά ςτθ βελτίωςθ τθσ γενικισ ποιότθτασ των εξαγομζνων προτφπων. Οι πιο ευρφτατα χρθςιμοποιοφμενεσ τεχνικζσ μποροφν να ςυνοψιςτοφν ςτισ ακόλουκεσ : Κακαριςμόσ δεδομζνων, ο οποίοσ μπορεί να εφαρμοςτεί για να αφαιρεκεί ο κόρυβοσ και να διορκωκοφν τυχόν αςυνζπειεσ ςτα δεδομζνα. Μεταςχθματιςμόσ δεδομζνων. Μια κοινι τεχνικι μεταςχθματιςμοφ είναι θ κανονικοποίθςθ. 27

28 Μείωςθ δεδομζνων. Χρθςιμοποιείται προκειμζνου να μειωκεί το μζγεκοσ ςτοιχείων με τθ ςυνάκροιςθ, εξαλείφοντασ τα περιττά χαρακτθριςτικά Καθαριςμόσ Δεδομένων Τα πραγματικά δεδομζνα είναι ςυνικωσ ατελι, ενκόρυβα και χωρίσ ςυνοχι. Ο κακαριςμόσ τουσ περιλαμβάνει όλεσ τισ διαδικαςίεσ τθσ ςυμπλιρωςθσ των ατελϊν δεδομζνων, τθσ εξομάλυνςθσ του κορφβου και του εντοπιςμοφ των «παρείςακτων» τιμϊν. Ελλιπείσ τιμζσ Αρκετά ςυχνά εμφανίηονται περιπτϊςεισ εγγραφϊν με ελλιπι δεδομζνα (missing data). Διάφορεσ μζκοδοι ζχουν κατά καιροφσ προτακεί ςτθ βιβλιογραφία για τθν αντικατάςταςθ των ελλιπϊν τιμϊν: 1. Αντικατάςταςθ τθσ τιμισ τθσ ιδιότθτασ με ςτακερι τιμι. 2. Αντικατάςταςθ με τθν τιμι τθσ ιδιότθτασ που εμφανίηει τθ μεγαλφτερθ ςυχνότθτα ι με τθ μζςθ τιμι τθσ ιδιότθτασ. 3. Αντικατάςταςθ με τθν τιμι τθσ ιδιότθτασ που εμφανίηει τθ μεγαλφτερθ ςυχνότθτα ι με τθ μζςθ τιμι τθσ ιδιότθτασ ανάμεςα ςτα παραδείγματα που ανικουν ςτθν ίδια κλάςθ με το παράδειγμα ςτο οποίο εμφανίηεται θ ελλιπισ τιμι. 4. Αντικατάςταςθ με ζνα αλγόρικμο πρόβλεψθσ από τα παραδείγματα του υπόλοιπου ςυνόλου δεδομζνων (π.χ. γραμμικι παλινδρόμθςθ). 5. Δθμιουργία επιπλζον παραδειγμάτων, κάκε ζνα από το οποία αντικακιςτά τθν ελλιπι τιμι με κάκε δυνατι τιμι τθσ ιδιότθτασ ςτο ςφνολο δεδομζνων. 6. Δθμιουργία επιπλζον παραδειγμάτων, κάκε ζνα από τα οποία αντικακιςτά τθν ελλιπι τιμι με κάκε δυνατι τιμι τθσ ιδιότθτασ από το υποςφνολο των παραδειγμάτων που ανικουν ςτθν ίδια κλάςθ με το παράδειγμα ςτο οποίο εμφανίηεται θ ελλιπισ τιμι. 7. Διαγραφι όλων των παραδειγμάτων ςτα οποία εμφανίηεται ζςτω και μία ελλιπισ τιμι. 8. Δθμιουργία k ςυνόλων δεδομζνων από το αρχικό ςφνολο, όπου οι ελλιπείσ τιμζσ ζχουν αντικαταςτακεί από κατάλλθλα υπολογιςμζνεσ τιμζσ με τθ μζκοδο τθσ μεγιςτοποίθςθσ τθσ προςδοκίασ, μζκοδοσ που προζρχεται από τθν εφαρμοςμζνθ ςτατιςτικι (Expecation Maximization). 9. Εφαρμογι επίμονου προβλεπτι, δθλαδι αντικατάςταςθ με τθν τιμι τθσ αντίςτοιχθσ ιδιότθτασ του αμζςωσ προθγοφμενου παραδείγματοσ, όταν το ςφνολο δεδομζνων είναι μια χρονοςειρά, δθλαδι χρονικά διατεταγμζνο. 10. Αντικατάςταςθ με τθ μζςθ τιμι τθσ ιδιότθτασ των προθγοφμενων k παραδειγμάτων, όταν και πάλι το ςφνολο δεδομζνων είναι μια χρονοςειρά. 28

29 Ενκόρυβα δεδομζνα Ωσ κόρυβο ορίηουμε το τυχαίο ςφάλμα ι διακφμανςθ ςε μια μετριςιμθ μεταβλθτι. Συνικεισ αιτίεσ δθμιουργίασ κορφβου ςτα δεδομζνα είναι: α) Προβλιματα κατά τθ ςυλλογι, ειςαγωγι ι μετάδοςθ των δεδομζνων β) Τεχνολογικοί περιοριςμοί ι προβλθματικά όργανα χ) Χριςθ μθ ςυμβατισ ονοματολογίασ δεδομζνων δ) Διπλότυπεσ εγγραφζσ Ο τρόποσ αντιμετϊπιςθσ του κορφβου είναι θ εξομάλυνςι του. Οι πιο βαςικζσ μζκοδοι εξομάλυνςθσ αναφζρονται ςυνοπτικά παρακάτω. Κατάτμθςθ: Εξομάλυνςθ τθσ τιμισ ενόσ γνωρίςματοσ με βάςθ τθν τιμι των γειτόνων του. Στθν αρχι γίνεται ταξινόμθςθ και διαχωριςμόσ των δεδομζνων ςε ιςομικθ τμιματα και ςτθ ςυνζχεια εφαρμόηεται θ ανάλογθ μζκοδοσ εξομάλυνςθσ (smooth by bin means, smooth by bin median, smooth by bin boundaries, κτλ). Ομαδοποίθςθ: Εφρεςθ και απομάκρυνςθ των εξωκείμενων τιμϊν, δθλαδι των μεταβλθτϊν με τιμζσ με μεγάλθ απόκλιςθ από το ςφνολο των υπολοίπων τιμϊν. Συνδυαςμζνθ επίβλεψθ από τον υπολογιςτι και από τον χριςτθ: Εφρεςθ φποπτων τιμϊν από τον υπολογιςτι και ζλεγχοσ από τον χριςτθ για τθν εγκυρότθτα των τιμϊν αυτϊν. Παλινδρόμθςθ: Εξομάλυνςθ των δεδομζνων με τθ χριςθ ςυναρτιςεων παλινδρόμθςθσ Μεταςχηματιςμόσ Δεδομένων Οι διαδικαςίεσ που ζχουν ςχζςθ με το μεταςχθματιςμό των δεδομζνων αποςκοποφν ςτθν καλφτερθ εξόρυξθ δεδομζνων και είναι: 1. Η ανίχνευςθ και επίλυςθ ςυγκρουόμενων τιμϊν δεδομζνων: Η επίλυςθ του προβλιματοσ κατά το οποίο οι ίδιεσ οντότθτεσ προερχόμενεσ από διαφορετικζσ πθγζσ ζχουν διαφορετικζσ τιμζσ. 2. Η διαχείριςθ πλεοναηόντων δεδομζνων: Η φπαρξθ δεδομζνων ςε πολλαπλά αντίτυπα είναι ιδιαίτερα πικανό ςενάριο ςτισ περιπτϊςεισ που το ίδιο γνϊριςμα ζχει διαφορετικό όνομα ςε διαφορετικζσ βάςεισ δεδομζνων. Τα δεδομζνα αυτά μποροφν να ανιχνευκοφν με ανάλυςθ ςυςχζτιςθσ και με τον τρόπο αυτό να επιταχυνκεί θ διαδικαςία. 3. Κανονικοποίθςθ: Η κατθγοριοποίθςθ των δεδομζνων με ςκοπό τθν ζνταξι τουσ ςε ςυγκεκριμζνο εφροσ τιμϊν. 4. Η μείωςθ των δεδομζνων. 5. Η διακριτοποίθςθ των δεδομζνων. 29

30 Μείωςθ των δεδομζνων Οι τεχνικζσ μείωςθσ των δεδομζνων χρθςιμοποιοφνται με ςκοπό τθ δθμιουργία μιασ αναπαράςταςθσ των δεδομζνων πολφ μικρότερθσ από τθν αρχικι, θ οποία όμωσ παρόλα αυτά παράγει τα ίδια (ι περίπου τα ίδια) αναλυτικά αποτελζςματα. Κατά ςυνζπεια, με τθν αφαίρεςθ οριςμζνων ακατάλλθλων χαρακτθριςτικϊν, μπορεί να βελτιωκεί θ απόδοςθ των αλγορίκμων όςον αφορά τθν ταχφτθτα τουσ, αλλά και τθν ποιότθτα τθσ εξαγόμενθ γνϊςθσ, εςτιάηοντασ ςτα πιο ςχετικά/ςθμαντικά χαρακτθριςτικά. Οι βαςικζσ ςτρατθγικζσ μείωςθσ δεδομζνων είναι: Συνάκροιςθ κφβων δεδομζνων (Data Cube Aggregation) Μείωςθ των διαςτάςεων του χϊρου (Dimensionality Reduction) Μείωςθ του αρικμθτικοφ χϊρου (Numerosity reduction) Διακριτοποίθςθ δεδομζνων Η διακριτοποίθςθ μπορεί να εφαρμοςτεί τόςο ςε αρικμθτικά όςο και ςε ονομαςτικά δεδομζνα. Ανάλογα με το είδοσ των δεδομζνων υπάρχουν και διαφορετικζσ μζκοδοι διακριτοποίθςθσ. Πιο ςυγκεκριμζνα: Μζκοδοι διακριτοποίθςθσ για αρικμθτικά δεδομζνα Κατάτμθςθ: Χρθςιμοποιείται και για τθν εξομάλυνςθ των δεδομζνων. Ανάλυςθ ιςτογραμμάτων: Χρθςιμοποιείται και για τθ μείωςθ των δεδομζνων (numerosity reduction strategy). Ανάλυςθ ομαδοποίθςθσ: Χρθςιμοποιείται επίςθσ και για τθ μείωςθ των δεδομζνων. Διαχωριςμόσ με βάςθ τθν εντροπία: Χρθςιμοποιεί τθν εντροπία και χωρίηει αναδρομικά τισ τιμζσ ενόσ γνωρίςματοσ, οδθγϊντασ ςε ιεραρχικι διακριτοποίθςθ. Φυςικόσ διαχωριςμόσ: Διαιρεί το εφροσ των τιμϊν ςε 3-5 το πολφ τμιματα, με βάςθ το εφροσ τιμϊν του πιο ςθμαντικοφ ψθφίου. Μζκοδοι διακριτοποίθςθσ για κατθγορικά δεδομζνα. Κακοριςμόσ μερικοφ διαχωριςμοφ των γνωριςμάτων από ειδικοφσ ι από χριςτεσ. Κακοριςμόσ ενόσ τμιματοσ ιεραρχίασ μζςω ομαδοποίθςθσ των δεδομζνων. Κακοριςμόσ ενόσ ςυνόλου γνωριςμάτων. 30

31 31

32 Κεφάλαιο 4 - Εξόρυξη Γνώςησ από τα Δεδομένα του Προβλήματοσ 4.1 Το Σύνολο Δεδομένων Πθγι των δεδομζνων τθσ παροφςασ μελζτθσ είναι θ ιςτοςελίδα όπου το αρμόδιο εκτελεςτικό τμιμα τθσ ομοςπονδιακισ κυβζρνθςθσ των Η.Π.Α. παρζχει τθ δυνατότθτα πρόςβαςθσ ςε μεγάλο αρικμό ςυνόλων δεδομζνων, διαφόρων κατθγοριϊν. Ανάμεςα ς αυτά τα δεδομζνα είναι και τα ενεργειακά δεδομζνα τθσ RECS που χρθςιμοποιικθκαν ςτθ μελζτθ αυτι. Η RECS- Residential Energy Consumption Survey είναι μια ζρευνα που διεξάγεται ςε εκνικό επίπεδο και ςυλλζγει ενεργειακά δεδομζνα για κφριεσ κατοικίεσ. Πρϊτθ φορά διεξιχκθ το 1978, ενϊ το 2005 διεξιχκθ θ 12 θ RECS. Η ζρευνα του 2005 ςυγκζντρωςε δεδομζνα από νοικοκυριά, που επιλζχκθκαν ζτςι ϊςτε να αντιπροςωπεφουν τισ 111,1 εκατομμφρια οικιακζσ μονάδεσ των Ηνωμζνων Πολιτειϊν. Είναι ιδθ διακζςιμοι οι πρϊτοι πίνακεσ με δεδομζνα που αφοροφν ςτθν κατανάλωςθ ενζργειασ των νοικοκυριϊν αυτϊν και ςυγκεκριμζνα ςτα φυςικά χαρακτθριςτικά των οικιακϊν μονάδων, ςτισ ςυςκευζσ που χρθςιμοποιοφνταιςυμπεριλαμβανομζνου του εξοπλιςμοφ κζρμανςθσ και ψφξθσ, δθμογραφικά χαρακτθριςτικά, ςτα είδθ των καυςίμων που χρθςιμοποιοφνται και άλλεσ πλθροφορίεσ που αφοροφν ςτθν κατανάλωςθ ενζργειασ. Ανάμεςα ςτα κζματα που καλφπτονται από τθν RECS 2005 είναι και νζεσ ερωτιςεισ ςχετικά με τισ τθλεοράςεισ και τισ υπόλοιπεσ ςυςκευζσ μζςων μαηικισ επικοινωνίασ, τουσ προςωπικοφσ υπολογιςτζσ και τα περιφερειακά, τθν ενεργειακι ςιμανςθ των ςυςκευϊν, τουσ λαμπτιρεσ εξοικονόμθςθσ ενζργειασ, τα τηάμια των παρακφρων και τθ χριςθ κερμοςτατϊν. Τα δεδομζνα τθσ RECS 2005 είναι διακζςιμα ςε 12 αρχεία οριοκετθμζνα με κόμμα. Τα αρχεία αυτά είναι οργανωμζνα ςφμφωνα με τισ ενότθτεσ του ερωτθματολογίου τθσ ζρευνασ, με επιπλζον αρχεία που περιζχουν δεδομζνα για τον προμθκευτι θλεκτρικισ ενζργειασ, τθν κατανάλωςθ και τισ δαπάνεσ. Κάκε αρχείο δεδομζνων ςυνοδεφεται από ζνα αντίςτοιχο Layout File που περιλαμβάνει ετικζτεσ και τφπο κάκε μεταβλθτισ. Τζλοσ, υπάρχει και το αρχείο 2005 RECS Variable Response Code Labels που περιζχει περιγραφζσ των κωδικϊν των μεταβλθτϊν. Πιο αναλυτικά, πρόκειται για τα παρακάτω 12 αρχεία: File 1-Section A-Housing unit characteristics: περιλαμβάνει μεταβλθτζσ που αφοροφν τον τφπο του ςπιτιοφ-μονοκατοικία, διαμζριςμα, κινθτι μονάδα ι ςτοφντιο-, πόςα επίπεδα διακζτει, αν ζχει υπόγειο και ςοφίτα, τον αρικμό των υπνοδωματίων και των δωματίων, των μπάνιων και των wc ξεχωριςτά, τθν παλαιότθτά τουσ και τυχόν πρόςφατεσ διαρροζσ, το είδοσ των κεμελίων, αν το υπόγειο και θ ςοφίτα είναι ολοκλθρωμζνα και κατά πόςο κερμαίνονται το χειμϊνα και ψφχονται το καλοκαίρι, αν υπάρχει γκαράη και αν αυτό εφάπτεται ςτο ςπίτι, κακϊσ και το μζγεκόσ του (ςε ςυνάρτθςθ με τον αρικμό των αυτοκινιτων που χωράει), αν το τελευταίο κερμαίνεται και ψφχεται, αν το ςπίτι είναι ιδιόκτθτο ι αν νοικιάηεται, και αν νοικιάηεται αν πρόκειται για εργατικι κατοικία ι αν παίρνουν κάποιο επίδομα ενοικίου, αν πρόκειται για τμιμα ςυγκροτιματοσ κατοικιϊν, τθ χρονολογία που κτίςτθκε, πότε κατοικικθκε πρϊτθ φορά, 32

33 αν βρίςκεται ςε πόλθ, κωμόπολθ, περίχωρα ι φπαικρο και τζλοσ αν είναι διακζςιμοι αγωγοί φυςικοφ αερίου ςτθν περιοχι. File 2-Section B-Kitchen appliances: περιλαμβάνει μεταβλθτζσ όπωσ αν υπάρχουν και πόςεσ κουηίνεσ ςτο ςπίτι που διακζτουν εςτίεσ και ζναν ι δυο φοφρνουσ μαηί ι αν αυτά είναι ξεχωριςτά, αν χρθςιμοποιοφν θλεκτρικό ρεφμα, φυςικό αζριο, προπάνιο ι κάποιο άλλο καφςιμο, πόςο ςυχνά γίνεται χριςθ τθσ κουηίνασ, αν ο φοφρνοσ είναι αυτοκακαριηόμενοσ κι αν θ λειτουργία αυτι ξεκινάει χειροκίνθτα ι αυτομάτωσ, αν υπάρχει φοφρνοσ μικροκυμάτων και τι ποςότθτα φαγθτοφ ψινεται ς αυτό, αν υπάρχει φρυγανιζρα, πόςο ςυχνά μαγειρεφονται ηεςτά φαγθτά, τι καφςιμο χρθςιμοποιείται περιςςότερο για μαγείρεμα, αν υπάρχουν καφετιζρεσ, πόςο ςυχνά χρθςιμοποιοφνται και πόςο χρόνο μζνει ο κερμαντιρασ αναμμζνοσ, πόςα ψυγεία και τι είδουσ (μεγάλο, μικρό, με μια ι δυο πόρτεσ, πάνω κάτω ι μια δίπλα ςτθν άλλθ), αν διακζτουν ςφςτθμα απόψυξθσ, αν ζχουν ςφςτθμα πάγου ςτθν πόρτα, πόςων ετϊν είναι, αν είναι ενεργειακισ κλάςθσ Α, αν πρόκειται για άλλο εκτόσ του κφριου ψυγείου πόςουσ μινεσ δοφλεψε το τελευταίο ζτοσ, αν υπάρχουν ξεχωριςτοί καταψφκτεσ, τι τφπου είναι (πόρτα μπροςτά ι πάνω), τι μεγζκουσ, πόςων ετϊν, αν ζχουν αυτόματθ ι χειροκίνθτθ απόψυξθ, αν υπάρχει πλυντιριο πιάτων, πόςο ςυχνι είναι θ χριςθ του, πόςων ετϊν είναι και αν είναι Α κλάςθσ. File 3-Section C-Other appliances: περιλαμβάνει μεταβλθτζσ που αφοροφν ςτισ άλλεσ ςυςκευζσ του ςπιτιοφ, όπωσ αν υπάρχει πλυντιριο, με πόρτα πάνω ι μπροςτά, πόςεσ φορζσ δουλεφει τθν εβδομάδα, ςε τι κερμοκραςίεσ (καυτι, ηεςτι, κρφα) δουλεφει κατά τουσ κφκλουσ πλυςίματοσ και ξεπλφματοσ, πόςο παλιό είναι και αν είναι κλάςθσ Α, αν υπάρχει ςτεγνωτιριο και αν λειτουργεί με θλ.ρεφμα, φυςικό αζριο ι προπάνιο, πόςο ςυχνά χρθςιμοποιείται, πόςο παλιό είναι, αν υπάρχουν και πόςοι κερμαντιρεσ ςτρωμάτων νεροφ, ποια θ χριςθ των τελευταίων, αν υπάρχουν ανεμιςτιρεσ οροφισ, πόςοι και ποια θ χριςθ τουσ, αν υπάρχει πιςίνα και αν είναι κερμαινόμενθ τι καφςιμο χρθςιμοποιείται, αν υπάρχει κάποιο Jacuzzi ι spa και τι καφςιμο χρθςιμοποιείται, αν υπάρχει ςφςτθμα αυτόματου ποτίςματοσ του κιπου και αν χρθςιμοποιείται, πόςεσ ζγχρωμεσ τθλεοράςεισ χρθςιμοποιοφνται ςτο ςπίτι, πόςεσ από αυτζσ είναι μεγάλεσ, πόςεσ πλάςμα, αν ςυνδζονται με καλωδιακι ι δορυφορικι κεραία και με ποιο τρόπο, πόςα βίντεο, dvd players, game systems, και πόςεσ ϊρεσ τθν εβδομάδα χρθςιμοποιοφνται, πόςεσ ϊρεσ τθν θμζρα είναι ανοιχτι θ τθλεόραςθ που χρθςιμοποιείται περιςςότερο κατά τισ εργάςιμεσ θμζρεσ και πόςεσ αυτι που χρθςιμοποιείται περιςςότερο τα ςαββατοκφριακα και τισ αργίεσ, αν υπάρχει θλεκτρικόσ αφυγραντιρασ ι υγραντιρασ και πόςουσ μινεσ χρθςιμοποιείται ο κακζνασ, αν υπάρχει κάποια αντλία νεροφ, μεγάλο ενυδρείο, αςφρματο τθλζφωνο, κινθτό, τθλεφωνθτισ, θχοςφςτθμα και ο τφποσ αυτοφ, ςυςκευζσ με επαναφορτιηόμενεσ μπαταρίεσ, θλεκτρονικοί υπολογιςτζσ και πόςοι, πόςοι από αυτοφσ είναι laptop, αν οι οκόνεσ είναι CRT ι LCD, πόςεσ ϊρεσ τθν εβδομάδα είναι ανοικτόσ ο υπολογιςτισ, όταν δεν χρθςιμοποιείται τον κλείνει κάποιοσ ι κλείνει αυτόματα, ομοίωσ για τθν οκόνθ, αν υπάρχει πρόςβαςθ ςτο internet, αυτι είναι dial-up, dsl ι cable, είναι wireless, χρθςιμοποιείται για επικοινωνία, για εργαςία, για ψυχαγωγία, για προςωπικι χριςθ (αγορζσ-λογαριαςμοί) ι εκπαίδευςθ, αν υπάρχει κάποιοσ εκτυπωτισ, ζχει ενςωματωμζνο fax ι φωτοαντιγραφικό μθχάνθμα, ι υπάρχουν ξεχωριςτζσ ςυςκευζσ γιϋαυτζσ τισ λειτουργίεσ. 33

34 File 4-Section D-Space heating: πρόκειται για μεταβλθτζσ που αφοροφν ςτθ κζρμανςθ του ςπιτιοφ, όπωσ ποιο είναι το βαςικό καφςιμο που χρθςιμοποιείται για κζρμανςθ (electricity, natural gas, propane, fuel oil, kerosene, wood, solar, district steam, some other fuel, don t heat home), είδοσ και θλικία ςυςτιματοσ κζρμανςθσ, αν πρόκειται για αυτόνομθ ι όχι κζρμανςθ, αν είναι το μοναδικό ςφςτθμα κζρμανςθσ που χρθςιμοποιείται, και αν όχι ποιο είναι το άλλο ςφςτθμα και τι καφςιμο χρθςιμοποιεί, τι ποςοςτό του ςπιτιοφ καλφπτεται από το κφριο ςφςτθμα κζρμανςθσ, αν υπάρχει κερμοςτάτθσ για να ελζγχεται το τελευταίο, αν υπάρχουν κι άλλοι κερμοςτάτεσ και πόςοι είναι αυτοί, αν είναι προγραμματιηόμενοσ και αν μειϊνει αυτόματα τθ κερμοκραςία κζρμανςθσ τθ νφχτα και κατά τθ διάρκεια τθσ θμζρασ όταν όλοι λείπουν από το ςπίτι, ςε ποια κερμοκραςία διατθρείται το ςπίτι κατά το χειμϊνα, αν κερμαίνονταν όλα τα δωμάτια τον περαςμζνο χειμϊνα και ποια δεν κερμαίνονταν. File 5- Sections E,F and G-Water Heating, AC and Miscellaneous: μεταβλθτζσ που αφοροφν τον αρικμό των κερμοςίφωνων, το καφςιμο που χρθςιμοποιείται κυρίωσ για πλφςιμο ι μπάνιο, αν γίνεται αποκλειςτικι χριςθ του ςυςτιματοσ κζρμανςθσ του νεροφ, ποιο είναι το μζγεκοσ τθσ υδατοδεξαμενισ, θ θλικία του ςυςτιματοσ κζρμανςθσ νεροφ, ομοίωσ και για το δεφτερο ςφςτθμα, πόςο χρόνο χρειάηεται το κφριο ςφςτθμα για να κερμάνει το νερό, αν υπάρχει ςφςτθμα κλιματιςμοφ, αν αυτό είναι κεντρικό ι μεμονωμζνεσ μονάδεσ ι και τα δφο, πόςα δωμάτια δρόςιηε το κεντρικό ςφςτθμα το τελευταίο καλοκαίρι, πόςο δοφλεψε, πόςο παλιό είναι, αν ζχουν τθν αποκλειςτικι του χριςθ, αν υπάρχει κερμοςτάτθσ, αν είναι προγραμματιηόμενοσ και αν ναι αν προςαρμόηει αυτόματα τθ κερμοκραςία κατά τθ διάρκεια τθσ νφκτασ αλλά και τισ ϊρεσ τθσ θμζρασ που δεν είναι κανείσ ςτο ςπίτι, ςε τι κερμοκραςία διατθρείται το ςπίτι το καλοκαίρι, κατά τθ διάρκεια τθσ θμζρασ όταν είναι κάποιοσ ςτο ςπίτι, όταν δεν είναι κανείσ και κατά τισ βραδινζσ ϊρεσ, πόςο παλιά είναι θ πλζον χρθςιμοποιοφμενθ κλιματιςτικι μονάδα ςτο ςπίτι, αν είναι Α κλάςθσ, πόςο ςυχνά χρθςιμοποιείται, αν υπάρχουν δζντρα που ςκιάηουν το ςπίτι κατά τισ απογευματινζσ ϊρεσ, πόςεσ λάμπεσ είναι αναμμζνεσ πάνω από 12 ϊρεσ το καλοκαίρι, πόςεσ μεταξφ 4 και 12 ωρϊν, πόςεσ μεταξφ 1 και 4 ωρϊν, και πόςεσ από αυτζσ ςε κάκε περίπτωςθ είναι λάμπεσ εξοικονόμθςθσ ενζργειασ, πόςα εξωτερικά φϊτα είναι αναμμζνα όλθ τθ νφκτα και πόςα από αυτά χρθςιμοποιοφν φυςικό αζριο, πόςεσ ςυρταρωτζσ πόρτεσ και πόςα παράκυρα ζχει το ςπίτι, τι τφπο τηαμιϊν ζχουν τα παράκυρα, πόςα από τα αρχικά παράκυρα ζχουν αντικαταςτακεί, πόςο καλά μονωμζνο είναι το ςπίτι, αν είναι ευάερο, αν ζχει αςυνικιςτα ψθλά ταβάνια ι αν ζχει κακεδρικά ταβάνια (από τον κυρίωσ όροφο ζωσ και τθ ςτζγθ). File 6-Section H-Fuels Used and Fuel Payment: ποια καφςιμα χρθςιμοποιοφνται ςτο ςπίτι, αν χρθςιμοποιοφνται για κζρμανςθ, κλιματιςμό, κερμό νερό, μαγείρεμα ι για άλλο λόγο, αν τουσ τελευταίουσ 12 μινεσ το καφςιμο πλθρϊκθκε μαηί με το ενοίκιο, ανεξάρτθτα ι με άλλο τρόπο, αν γίνεται διανομι προπανίου ςτο ςπίτι, από πόςεσ διαφορετικζσ εταιρείεσ το τελευταίο δωδεκάμθνο, πόςεσ διανομζσ ζγιναν, πόςα γαλόνια καυςιμζλαιο χρθςιμοποιικθκαν, αν γίνεται διανομι του κατ οίκον και πόςεσ διανομζσ ζγιναν, αν γίνεται διανομι τθσ κθροηίνθσ, από πόςεσ εταιρείεσ και πόςεσ διανομζσ ζγιναν, ςε ποια ποςότθτα γινόταν ςυνικωσ θ αγορά του (υπάρχουν ποςότθτεσ 1, 3, 5, 10 και 55 γαλονιϊν), πόςο πλθρωνόταν κατά μζςο όρο το γαλόνι, τι είδοσ ξφλου καιγότανε και ςε τι ποςότθτα. 34

35 File 7 -Section I-Fuel Bills and Non-Residential Uses: περιλαμβάνει τα ςτοιχεία των προμθκευτϊν καυςίμων, ςτοιχεία του προςϊπου ι τθσ εταιρείασ που λαμβάνει το ενοίκιο και μζςω αυτοφ πλθρϊνει και τουσ λογαριαςμοφσ, πλθροφορίεσ για το αν κάποιοσ λογαριαςμόσ περιλαμβάνει χρεϊςεισ που δεν αφοροφν προςωπικζσ χριςεισ των μελϊν του νοικοκυριοφ αλλά κάποιων άλλων (όπωσ για κτίρια και μθχανιματα φάρμασ, για κάποιο άλλο διαμζριςμα ι ςπίτι, για ζνα γραφείο ι μια επιχείρθςθ, για κάτι άλλο) και τζλοσ τι ποςοςτό του ςυνολικοφ λογαριαςμοφ είναι αυτζσ οι χρεϊςεισ. File 8- Section J- Household Characteristics: δεδομζνα που αφοροφν ςτο νοικοκυριό και βοθκοφν ςτο να γίνει κατανοθτό πωσ αυτό χρθςιμοποιεί τθν ενζργεια, όπωσ αν το ςπίτι είναι ζδρα κάποιασ επιχείρθςθσ ι εργαςίασ, αν κάποια δραςτθριότθτα που γίνεται ςτο ςπίτι χρθςιμοποιεί πολφ ενζργεια, δεδομζνα που αφοροφν ςτο νοικοκφρθ όπωσ θλικία, φφλο, απαςχόλθςθ, αν ηει μόνοσ ι με ςφντροφο/ςφηυγο, αν είναι Ιςπανόφωνοσ ι Λατίνοσ, θ φυλι του, ο αρικμόσ των ατόμων που μζνουν ςτο ςπίτι (εκτόσ από εκείνουσ που είναι ςτο ςτρατό ι για ςπουδζσ μακριά), ποια θ θλικία του μεγαλφτερου μζλουσ εκτόσ από τον νοικοκφρθ, ποιά του επόμενου, ποια του μικρότερου, αν το νοικοκυριό είχε ζςοδα το τελευταίο ζτοσ από τθν εργαςία των μελϊν του ι από κάποια ςφνταξθ ι από κάποια κρατικι βοικεια ι κάποια κουπόνια φαγθτοφ και τζλοσ ποιο ιταν το ςυνολικό ειςόδθμα τουσ τελευταίουσ 12 μινεσ ςυνολικά ι ςε μθνιαία βάςθ ι εβδομαδιαία. File 9- Section K and L-Energy Assistance and Housing Unit Square Footage: δεδομζνα όπωσ πόςο ςυχνά ανθςυχοφςαν ότι δε κα μπορζςουν να πλθρϊςουν τουσ λογαριαςμοφσ ενζργειασ, πόςο ςυχνά μειϊνανε τισ δαπάνεσ ςτισ βαςικζσ ανάγκεσ, αν χρειάςτθκε να δανειςτοφνε, αν δεν πλθρϊςανε όλο ι τμιμα του λογαριαςμοφ, αν δζχτθκαν απειλι για διακοπι τθσ παροχισ θλεκτρικοφ ρεφματοσ ι τθσ διανομισ καυςίμου, αν κλείςανε τμιμα του ςπιτιοφ γιατί δεν μποροφςαν να το κερμάνουν ι να το ψφξουν όλο, αν διατιρθςαν μια κερμοκραςία ςτο ςπίτι για κάποια περίοδο που ιταν επικίνδυνθ για τθν υγεία τουσ, αν εγκαταλείψανε για λίγο το ςπίτι τουσ, αν χρθςιμοποίθςαν τθν κουηίνα τουσ για κζρμανςθ, αν λάβανε οικονομικι ενίςχυςθ (energy assistance), αν κάποια φορά χάλαςε μζςα ςτο προθγοφμενο ζτοσ το ςφςτθμα κζρμανςθσ ι ψφξθσ και δε μποροφςανε να το επιδιορκϊςουνε ι να το αντικαταςτιςουνε, αν βοικθςε ςτθν αποκατάςταςι του θ οικονομικι ενίςχυςθ, αν δεν μποροφςανε να πλθρϊςουνε για τα καφςιμα και βοικθςε θ οικονομικι ενίςχυςθ, αν θ εταιρεία φυςικοφ αερίου ι θλεκτρικοφ τουσ ζκοψε τθν παροχι γιατί δεν μποροφςαν να πλθρϊςουν και αν βοικθςε θ οικονομικι ενίςχυςθ, αν το τελευταίο δωδεκάμθνο υπιρξε φορά που το νοικοκυριό δεν μπόρεςε να πλθρϊςει το ςυνολικό ποςό του λογαριαςμοφ, αν ζγινε διακοπι του θλεκτρικοφ, ποιουσ μινεσ, πόςεσ φορζσ και πόςεσ μζρεσ ςυνολικά, πόςα τετραγωνικά πόδια είναι ο κερμαινόμενοσ χϊροσ του ςπιτιοφ, ποιο το ςχιμα και το μζγεκοσ του κάκε ορόφου, τθσ ςοφίτασ και του υπογείου, μετριςεισ των διαςτάςεων. File 10 - Characteristics of Energy Supplier Data: ςτοιχεία των προμθκευτϊν θλεκτρικισ ενζργειασ και καυςίμων. File 11 - Energy Consumption: ςτοιχεία που αφοροφν ςτισ ποςότθτεσ θλεκτρικισ ενζργειασ και άλλων καυςίμων που καταναλϊκθκαν. 35

36 Εφαρμογι τεχνικϊν εξόρυξθσ δεδομζνων για τθν πρόβλεψθ τθσ κατανάλωςθσ ςε θλ. δίκτυα χαμθλισ ταςθσ File 12-Energy Expenditures: ςτοιχεία που αφοροφν ςτα ποςά που δαπανικθκαν για τθν κάλυψθ των ενεργειακϊν αναγκϊν του νοικοκυριοφ. Πρζπει να ςθμειωκεί ότι όλα τα αρχεία περιζχουν και τισ μεταβλθτζσ z ι αλλιϊσ imputation flags. Πρόκειται για μια ςτατιςτικι διαδικαςία που χρθςιμοποιείται για να ςυμπλθρωκοφν οι ελλιπείσ τιμζσ κάποιων μεταβλθτϊν - όχι όλων. Η μεταβλθτι z δείχνει αν θ αντίςτοιχθ non-z μεταβλθτι ςτθρίχτθκε ςε καταγεγραμμζνα δεδομζνα - οπότε θ z μεταβλθτι είναι 0 - ι τθσ αποδόκθκε κάποια τιμι - οπότε θ z είναι 1 ι 2. Το ςφνολο των δεδομζνων που χρθςιμοποιικθκε ςτθν εργαςία είναι διακζςιμο ςτθν θλεκτρονικι διεφκυνςθ Αναλυτικά όλεσ οι μεταβλθτζσ φαίνονται ςτο Παράρτθμα. Το εργαλείο που επιλζχκθκε ςτθν παροφςα διατριβι για τθν εφαρμογι τθσ εξόρυξθσ γνϊςθσ είναι το WEKA. Σθμαντικό ρόλο ςτθν επιλογι του ζπαιξε το γεγονόσ ότι είναι διακζςιμο ςτο διαδίκτυο, χωρίσ οικονομικι επιβάρυνςθ, αλλά και το ότι ζχει χρθςιμοποιθκεί αρκετζσ φορζσ ζωσ τϊρα ςτα πλαίςια τθσ επιςτθμονικισ ζρευνασ δίνοντασ καλά αποτελζςματα. Αναλυτικι περιγραφι του υπάρχει ςτο Παράρτθμα Ι. 4.2 Προεπεξεργαςία των δεδομένων τησ μελέτησ Τα 12 αρχεία των δεδομζνων τθσ παροφςασ μελζτθσ αποτελοφνται από ςυνολικά 602 χαρακτθριςτικά - μεταβλθτζσ, χωρίσ τα imputation flags, που περιγράφουν τθν κακεμία από τισ περιπτϊςεισ νοικοκυριϊν που μελετικθκαν. Όλεσ οι μεταβλθτζσ είναι αρικμθτικζσ (numeric). Η μορφι με τθν οποία είναι διακζςιμα τα δεδομζνα φαίνεται ςτθν παρακάτω εικόνα. Εικόνα 4.1 Αρχικι μορφι δεδομζνων 36

37 Πριν μετατραποφν τα αρχεία ςε.arff μορφι ζγινε αντικατάςταςθ όλων των missing values. Συγκεκριμζνα, πολλζσ μεταβλθτζσ δζχονται ωσ τιμι τθν 9 ι 99 ι 999 ι 9999 ι που αντιςτοιχεί ςε legitimate skip, δθλαδι αποδεκτι παράλειψθ- μθ απάντθςθ ι άλλεσ δεν είχαν καμία τιμι. Αυτζσ οι τιμζσ-κενά αντικαταςτάκθκαν από?, που αντιμετωπίηεται από το πρόγραμμα WEKA ωσ missing value. Αφοφ ζγινε θ αντικατάςταςθ των missing values, τα αρχεία μετατράπθκαν ςε.arff μορφι, ϊςτε να είναι απευκείασ εφαρμόςιμα ςτο λογιςμικό WEKA. Δείγμα ενόσ τζτοιου αρχείου ςε μορφι.arff φαίνεται ςτθν παρακάτω εικόνα. Εικόνα 4.2 Μορφι αρχείου.arff Εξαρτθμζνθ μεταβλθτι ζξοδοσ είναι θ κλάςθ kwh, που είναι και αυτι αρικμθτικι. Αναλυτικά τα χαρακτθριςτικά τθσ εξόδου φαίνονται ςτθν εικόνα 4.3. Παρατθροφμε ότι παρουςιάηει μια κατανομι χ 2, το πεδίο τιμϊν τθσ είναι *48, , θ μζςθ τιμι τθσ ,497 και θ τυπικι απόκλιςθ 7.522,251, ενϊ δεν υπάρχει καμία missing value. 37

38 Εικόνα 4.3 Χαρακτθριςτικά εξόδου( kwh) 38

39 Εφαρμογι τεχνικϊν εξόρυξθσ δεδομζνων για τθν πρόβλεψθ τθσ κατανάλωςθσ ςε θλ. δίκτυα χαμθλισ ταςθσ 4.3 Κριτήρια Αξιολόγηςησ Αλγορίθμων Πϊσ μετράται όμωσ θ ακρίβεια πρόβλεψθσ ενόσ αλγορίκμου; Πριν προχωριςουμε ςτθν παρουςίαςθ των πειραμάτων κα γίνει μια ςφντομθ περιγραφι των μετρικϊν που χρθςιμοποιικθκαν για τθ ςφγκριςθ τθσ ακρίβειασ των εξαγόμενων μοντζλων. Ζςτω DT ζνα τεςτ ςετ τθσ μορφισ (Χ1,y1),(X2,y2).,(Xd,yd), όπου Χi οι περιπτϊςεισ του τεςτ ςετ με n διαςτάςεισ και γνωςτι τιμι τθσ εξαρτθμζνθσ μεταβλθτισ, yi, ενϊ d είναι ο αρικμόσ των εγγραφϊν. Κακϊσ οι αλγόρικμοι πρόβλεψθσ (predictors) επιςτρζφουν μια ςυνεχι τιμι αντί για μια κατθγορικι ετικζτα, είναι δφςκολο να πει κανείσ αν θ τιμι που προβλζφκθκε, yi, για το Χi είναι ςωςτι. Αντί γι αυτό κοιτάηουμε πόςο απζχει θ προβλεφκείςα τιμι από τθν πραγματικι. Οι loss functions μετράνε το ςφάλμα μεταξφ του yi και του yi. Οι πιο γνωςτζσ ςυναρτιςεισ είναι: Absolute error: yi- yi Squared error: ( yi- yi )2 Με βάςθ τα παραπάνω, το test error (rate) ι αλλιϊσ generalization error, είναι θ μζςθ απϊλεια ςε όλο το τεςτ ςετ. Ζτςι, ζχουμε τουσ παρακάτω δείκτεσ ςφάλματοσ: Mean Absolute error: ( Tο μζςο απόλυτο ςφάλμα είναι θ απόςταςθ των τιμϊν από τθν μζςθ τιμι του δείγματοσ. Το ηθτοφμενο είναι να είναι όςο το δυνατό μικρότερο, γιατί αυτό δείχνει κανονικότθτα και μεγαλφτερεσ πικανότθτεσ για ςωςτι πρόβλεψθ μελλοντικϊν τιμϊν. Mean Squared error: ( Το μζςο τετραγωνικό ςφάλμα εξαλείφει τθν παρουςία των outliers, δθλαδι των πολφ ακραίων τιμϊν, ενϊ το mean absolute error όχι. Αν πάρουμε τθν τετραγωνικι ρίηα του mean squared error κα πάρουμε ζναν άλλο δείκτθ, το root mean squared error. Αυτό είναι χριςιμο γιατί δίνει ςφάλμα ίδιου μεγζκουσ με τθν ποςότθτα που προβλζπεται. Μερικζσ φορζσ, μπορεί να επικυμοφμε το ςφάλμα να ςχετίηεται με αυτό που κα ιταν αν απλά προβλζπαμε τθ μζςθ τιμι του y. Αυτό γίνεται κανονικοποιϊντασ τθ ςυνολικι απϊλεια, διαιρϊντασ με τθ ςυνολικι απϊλεια που κα προζκυπτε αν υπολογίηαμε πάντα τθ μζςθ τιμι. Σχετικά μζτρα του ςφάλματοσ είναι: Relative absolute error: 39

40 Εφαρμογι τεχνικϊν εξόρυξθσ δεδομζνων για τθν πρόβλεψθ τθσ κατανάλωςθσ ςε θλ. δίκτυα χαμθλισ ταςθσ To ςχετικό απόλυτο ςφάλμα ορίηεται ωσ ςτατιςτικό ποςοςτό ςε ςχζςθ με τθν μζγιςτθ τιμι που παίρνει θ απόςταςθ μιασ τιμισ από τθν μζςθ τιμι. Ομοίωσ με τα προθγοφμενα μεγζκθ, το ποςοςτό αυτό πρζπει να είναι όςο το δυνατόν μικρότερο. Όςο μικρότερο το ποςοςτό, τόςο μεγαλφτερθ θ κανονικότθτα του δείγματοσ και τόςο μεγαλφτερεσ οι πικανότθτεσ μια ςωςτισ μελλοντικισ πρόβλεψθσ. Relative squared error: Όπου είναι θ μζςθ τιμι των yi του τεςτ εκπαίδευςθσ, δθλαδι =. Παίρνοντασ τθν τετραγωνικι ρίηα του relative squared error παίρνουμε το root relative squared error, ζτςι ϊςτε το ςφάλμα να είναι του ίδιου μεγζκουσ με τθν προβλεπόμενθ ζξοδο. Correlation Coefficient: Οι τιμζσ που παίρνει ο Συντελεςτισ Συςχζτιςθσ είναι ανάμεςα ςτο -1 και ςτο 1. Όςο πιο κοντά είναι θ τιμι ςτο -1, τόςο πιο μεγάλθ αντιςτρόφωσ ανάλογθ εξάρτθςθ υπάρχει ανάμεςα ςτα μεγζκθ. Όςο πιο κοντά είναι θ τιμι ςτο 1, οι τιμζσ των χαρακτθριςτικϊν εμφανίηουν ςυςχζτιςθ αναλογίασ. Σε περίπτωςθ που θ τιμι βρίςκεται κοντά ςτο 0, τότε δεν εμφανίηεται ςυςχζτιςθ. 4.4 Πειράματα Η μζκοδοσ εξόρυξθσ γνϊςθσ που ακολουκικθκε ςτθν παροφςα διατριβι είναι θ μζκοδοσ τθσ Ταξινόμθςθσ - Classification, και πιο ςυγκεκριμζνα λόγω τθσ αρικμθτικισ μορφισ τθσ εξόδου μασ, θ Παλινδρόμθςθ- Prediction. Η μζκοδοσ αυτι ζχει ιδθ παρουςιαςτεί ςτθν παράγραφο 3.4. Οργάνωςη πειραμάτων Τα πειράματα οργανϊκθκαν λαμβάνοντασ υπόψθ τουσ διακζςιμουσ πόρουσ, τισ δυνατότθτεσ τθσ εφαρμογισ των Τεχνικϊν Εξόρυξθσ Δεδομζνων ςε ςχζςθ με τα δεδομζνα, τισ ιδιότθτεσ των διαφόρων αλγορίκμων που είναι διακζςιμοι, αλλά και τθ διαιςκθτικι προςζγγιςθ του αντικειμζνου. Ζτςι μποροφμε να διακρίνουμε τα εξισ ςτάδια: 1. Δθμιουργία διαφόρων ςυνόλων δεδομζνων, που περιζχουν είτε αποκλειςτικά a priori indices δθλαδι χαρακτθριςτικά φφςθσ ςυμβολαίου, είτε αποκλειςτικά field indices δθλαδι 40

41 χαρακτθριςτικά που αφοροφν ςτισ θλεκτρικζσ ςυνικειεσ των νοικοκυριϊν, είτε επιλογή και των δυο ειδϊν χαρακτηριςτικϊν. 2. Σφγκριςθ μεταξφ των διακζςιμων αλγορίκμων εκείνου που δίνει τθν καλφτερθ πρόβλεψθ αρχικά με χριςθ των a priori indices κι ζπειτα με field indices. 3. Εφαρμογι του καλφτερου αλγορίκμου που προζκυψε από το προθγοφμενο βιμα και ςτα υπόλοιπα ςφνολα δεδομζνων για τθν εφρεςθ εκείνου του ςυνόλου που είναι πλθρζςτερο για τθν διαδικαςία τθσ πρόβλεψθσ. 4. Εφαρμογι meta classifiers και ensemble ςχθμάτων ςτο ςετ δεδομζνων που ζδωςε τθν καλφτερθ πρόβλεψθ, με ςκοπό τθ βελτιςτοποίθςθ του αποτελζςματοσ. Τα ςφνολα δεδομζνων που δθμιουργικθκαν είναι τα εξισ: Σετ δεδομένων Instances Attributes huc.arff priori.arff priori_targeted.arff field.arff field_aggregate.arff field_clustered.arff _attr.arff _attr.arff _attr.arff _ elwarm.arff _ elwarm_elfood.arff _ targeted.arff Πίνακασ 4.1 Σφνολα δεδομζνων A priori indices File 1 -Housing Unit Characteristics(huc.arff) Αρχικά εφαρμόςτθκαν διάφοροι αλγόρικμοι του WEKA που κάνουν regression, ςτο πρϊτο ςετ δεδομζνων huc.arff File 1 Housing Unit Characteristics ςτο οποίο είχε προςτεκεί θ μεταβλθτι kwh, που αποτελεί τθν ζξοδο. Το ςυγκεκριμζνο αρχείο περιλαμβάνει μεταβλθτζσ που δεν ζχουν ςχζςθ με τισ θλεκτρικζσ ςυνικειεσ των νοικοκυριϊν, αλλά κυρίωσ με τον τφπο του ςπιτιοφ και τθ κζςθ του. Από όλουσ τουσ διακζςιμουσ αλγόρικμουσ που περιλαμβάνει θ ζκδοςθ του WEKA, παρακάτω φαίνονται τα αποτελζςματα που ζδωςαν εκείνοι οι αλγόρικμοι που μποροφν να χειριςτοφν αρικμθτικζσ μεταβλθτζσ. Επίςθσ, δεν ζχουν ςυμπεριλθφκεί όςοι δεν δίνουν αποτελζςματα μζςα ςε λογικά χρονικά όρια (όςοι απαιτοφςαν πάνω από 12 ϊρεσ για το ςυγκεκριμζνο αρχείο). 41

42 Αλγόριθμοι Correlation coefficient Mean absolute error Root mean squared error Relative absolute error Root relative squared error Functions 1 LeastMedSq LinearRegression MultilayerPerceptron PaceRegression RBFNetwork SimpleLinearRegression SMOreg Lazy 8 IBk KStar Meta 10 AdditiveRegression Bagging (default) Trees 12 Decision Stump M5P REPTree Rules 15 ConjuctiveRule DecisionTable M5Rules Πίνακασ 4.2- Συγκεντρωτικά Αποτελζςματα με χριςθ a priori indices 42

43 0,70 0,65 0,60 0,55 0,50 0,45 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 Correlation coefficient Διάγραμμα 4.1- Συντελεςτισ ςυςχζτιςθσ με χριςθ a priori indices Mean absolute error Διάγραμμα 4.2- Μζςο Απόλυτο Σφάλμα με χριςθ a priori indices 43

44 Τα καλφτερα αποτελζςματα όπωσ φαίνεται δίνει ο αλγόρικμοσ Bagging, που ανικει ςτθν κατθγορία meta. Η διαδικαςία τθν οποία ακολουκεί ο ςυγκεκριμζνοσ αλγόρικμοσ είναι θ εξισ: 1. Το ςετ δεδομζνων χωρίηεται τυχαία ςε ζνα τεςτ ςετ T και ζνα ςετ μάκθςθσ L. Το μζγεκοσ του L επιλζγεται ζτςι ϊςτε να είναι αρκετά μεγαλφτερο από το Τ. 2. Ζνα δζντρο ταξινόμθςθσ δθμιουργείται με βάςθ το L, χρθςιμοποιϊντασ τθ μζκοδο 10-fold cross-validation. Ζπειτα, υπολογίηεται ο ςυντελεςτισ ςφάλματοσ για το τεςτ ςετ, ωσ προσ το δζντρο που δθμιουργικθκε. 3. Ζνα αυτοδφναμο δείγμα L B επιλζγεται από το L, και ζνα νζο δζντρο δθμιουργείται με βάςθ το L B, με 10-fold cross-validation. Αυτό επαναλαμβάνεται 50 φορζσ, δίνοντασ αντίςτοιχα 50 δζντρα ταξινόμθςθσ. 4. Η τελικι πρόβλεψθ γίνεται μζςω των δζντρων ταξινόμθςθσ και είναι αυτι που ςυγκεντρϊνει τθν πλειοψθφία των επιμζρουσ προβλζψεων. 5. Η τυχαία διαίρεςθ των δεδομζνων επαναλαμβάνεται τόςεσ φορζσ, όςεσ ορίηονται μζςω ςχετικισ παραμζτρου και οι ςυντελεςτζσ ςφάλματοσ προκφπτουν από το μζςο όρο των επαναλιψεων. Γενικά, ο Bagging είναι ζνασ ςχετικά εφκολοσ τρόποσ για τη βελτίωςη ενόσ ήδη υπάρχοντοσ αλγορίθμου. Αυτό γίνεται με τθν προςκικθ ενόσ επαναλθπτικοφ βρόχου, με βάςθ τον οποίο γίνεται θ επιλογι των δειγμάτων και ενόσ τελικοφ τμιματοσ που κάνει τθ ςυνάκροιςθ. Το μειονζκτθμά του είναι θ ςφνκετθ δομι του, ενϊ το πλεονζκτθμα θ βελτίωςθ τθσ ακρίβειασ. Οι προκακοριςμζνεσ (default) ρυκμίςεισ για τον αλγόρικμο Bagging από το πρόγραμμα ζχουν ωσ εξισ: Εικόνα 4.4 Προκακοριςμζνεσ ρυκμίςεισ αλγόρικμου Bagging 44

45 Συνεπϊσ, οι παράμετροι που μποροφν να ρυκμιςτοφν για τον αλγόρικμο Bagging είναι οι ακόλουκοι: Η παράμετροσ bagsizepercent αναφζρεται ςτο μζγεκοσ του L B, δθλαδι του αυτοδφναμου ςετ που δθμιουργείται. Η παράμετροσ calcoutofbag αν κα υπολογιςτεί το ςφάλμα calc out of bag. Η παράμετροσ classifier κακορίηει τον αλγόρικμο που κα χρθςιμοποιιςει ο Bagging. Όταν θ παράμετροσ debug είναι οριςμζνθ ςτθν τιμι true (αλθκισ), ο κατθγοριοποιθτισ μπορεί να δϊςει ςυμπλθρωματικζσ πλθροφορίεσ ςτθν κονςόλα. Η παράμετροσ numiterations κακορίηει τον αρικμό των επαναλιψεων. Η παράμετροσ seed ορίηει τον ςπόρο για κλάδεμα μείωςθσ ςφάλματοσ. Files: 1-Housing Unit Characteristics, 8-Household Characteristics, 10-Characteristics of Energy Supplier Data, 11-Energy Consumption (priori.arff) Από τα αρχεία 1, 8, 10 και 11 αφαιρϊντασ όλεσ τισ μεταβλθτζσ που ςυνδζονται άμεςα με τθν ζξοδο, δθλαδι θ γνϊςθ τουσ ςυνεπάγεται και γνϊςθ τθσ εξόδου, και αυτζσ είναι όλεσ οι BTUEL_ μεταβλθτζσ, ο Bagging με classifier τον LinearRegression (βάςει του παραπάνω πίνακα είχε δϊςει τα καλφτερα αποτελζςματα) δίνει : Bagging (LinearRegression) Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 4382 Παρατθροφμε ότι υπάρχει βελτίωςθ ςτα αποτελζςματα, αλλά αυτι δεν είναι αξιόλογθ. Files: 1-Housing Unit Characteristics, 8-Household Characteristics, 10-Characteristics of Energy Supplier Data, 11-Energy Consumption -18 ΜΕΤΑΒΛΗΤΕΣ (18_attr.arff) Επιλζγονται από το ςφνολο των μεταβλθτϊν των παραπάνω αρχείων,18 μεταβλθτζσ μαηί με τθν ζξοδο. Συγκεκριμζνα πρόκειται για τισ εξισ μεταβλθτζσ: 1 LRGSTATE Four Largest States 2 URBRUR Reported type of neighborhood 3 HD65 Heat Deg-Days: Base65 01 TO (Inoculated) 4 CD65 Cool Deg-Days: Base65 01 TO (Inoculated) 45

46 5 TYPEHUQ Type of Home (Respondent answer) 6 BEDROOMS Number of bedrooms 7 KOWNRENT Dwelling owned or rented 8 YEARMADE Year Home Built 9 SQFTEST Respondent estimate of heated square footage 10 HBUSNESS Do you operate a home-based business or service 11 NHSLDMEM How many people normally live in this household 12 MONEYPY Total combined income in the past 12 months 13 SDESCENT Householder Hispanic or Latino 14 ORIGIN1 First mention describe the householders race 15 AGEHHMEM1 Age of the householder 16 AGEHHMEM2 Age of the next oldest household member 17 AGEHHMEMY Age of the yountest household member 18 KWH Kilowatt Hours Of Electricity Used Τα αποτελζςματα που πιραμε είναι: Bagging (LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 4382 Γριγορα αντιλαμβανόμαςτε αυτό που είχε παρατθρθκεί και ςε προθγοφμενεσ εργαςίεσ. Οι a priori indices, δθλαδι οι μεταβλθτζσ φφςθσ ςυμβολαίου, όπωσ είναι οι μεταβλθτζσ των παραπάνω αρχείων δεν δίνουν καλά αποτελζςματα δε μποροφν να κακορίςουν τθν θλεκτρικι κατανάλωςθ των νοικοκυριϊν. Αυτζσ που πραγματικά κακορίηουν τθν ζξοδο και κα πρζπει να εξετάςουμε είναι οι field indices, δθλαδι οι μεταβλθτζσ που αφοροφν ςτισ ενεργειακζσ ςυνικειεσ των νοικοκυριϊν. 46

47 Field indices Files: 2-Kitchen appliances, 3-Other appliances, 4-Space heating, 5-Water heating, AC, Miscellaneous(field.arff). Με ζνωςθ όλων των αρχείων που ζχουν ςχζςθ με τισ θλεκτρικζσ ςυνικειεσ των νοικοκυριϊν, τα αποτελζςματα που δίνουν οι αλγόρικμοι φαίνονται ςτον παρακάτω πίνακα. Δεν περιλαμβάνονται όςοι αλγόρικμοι απαιτοφν πολφ χρόνο για τθν εξαγωγι αποτελεςμάτων. Αλγόριθμοι Correlation coefficient Mean absolute error Root mean squared error Relative absolute error Root relative squared error FUNCTIONS 1 LinearRegression PLSClassifier RBFNetwork LAZY 4 IBk Kstar META 6 AdditiveRegression Bagging (LinearRegression) 8 RandomSubSpace RegressionByDiscretiz ation RULES 10 ConjuctiveRule TREES 11 Decision Stump REPTree Πίνακασ 4.3 Συγκεντρωτικά αποτελζςματα με χριςθ field indices 47

48 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Correlation coefficient Διάγραμμα 4.3- Συντελεςτισ ςυςχζτιςθσ με χριςθ field indices Mean absolute error Διάγραμμα 4.4- Μζςο Απόλυτο Σφάλμα με χριςθ field indices 48

49 Files: 2-Kitchen appliances, 3-Other appliances, 4-Space heating, 5-Water heating, AC, Miscellaneous.- AGGREGATE(field_aggregate.arff) Στο προθγοφμενο αρχείο, που περιλαμβάνει όλεσ τισ μεταβλθτζσ που αφοροφν ςτισ θλεκτρικζσ ςυνικειεσ των νοικοκυριϊν, γίνεται μια προςπάκεια ομαδοποίθςθσ εκείνων των ςυςκευϊν που παρουςιάηουν κάποια ομοιότθτα ςτθ χριςθ τουσ από τουσ καταναλωτζσ. Επίςθσ, κάποιεσ μεταβλθτζσ αφαιροφνται, κεωρϊντασ ότι δεν επθρεάηουν ςθμαντικά τθν ζξοδο. Συγκεκριμζνα, ζγιναν οι παρακάτω μετατροπζσ: 1. Οι μεταβλθτζσ micro, toaster, coffee αντικαταςτάκθκαν από τθν m/t/c (με χριςθ τθσ ςυνάρτθςθσ max, ζχει δθλ.τιμι 1 όταν υπάρχει ζςτω και μια από τισ τρεισ ςυςκευζσ) 2. Δθμιουργικθκε θ μεταβλθτι v/d/p από τισ VCR, DVD, PLAYSTA με τον ίδιο τρόπο που δθμιουργικθκε και θ m/t/c, ενϊ διατθρικθκε μόνο θ PLAYSTAHR 3. Δθμιουργικθκε θ nm/m από τισ NOTMOISTURE και MOISTURE 4. Ομοίωσ, δθμιουργικθκε θ μεταβλθτι pcp/fxc/f/c, από τισ PCPRINT,FXCOPIER,FAX,COPIER 5. Διατθρικθκαν ωσ είχαν οι μεταβλθτζσ που αφοροφν ςτο κφριο ψυγείο του νοικοκυριοφ (TYPERFR1, DOORSFR1, SIZRFRI1, REFRIGT1, ICE, AGERFRI1, ESFRIG), ενϊ αφαιρζκθκαν οι μεταβλθτζσ που αφοροφν ςε δεφτερο και τρίτο ψυγείο 6. Ομοίωσ για τουσ καταψφκτεσ, διατθρικθκαν μόνο οι μεταβλθτζσ που αφοροφν ςτον κφριο καταψφκτθ και οι υπόλοιπεσ αγνοικθκαν (UPRTFRZR, SIZFREEZ, FREEZER, AGEFRZR) 7. Ομοίωσ για τουσ υπολογιςτζσ, διατθρικθκαν οι μεταβλθτζσ για τον κφριο υπολογιςτι ( PCTYPE1,MONITOR1,TIMEON1,PCONOFF1,PCSLEEP1,PCSCREEN1) 8. Τζλοσ διαγράφθκαν οι μεταβλθτζσ WHEATSIZ2, WHEATAGE2, FUELH2O2. Τα αποτελζςματα ζχουν ωσ εξισ: Bagging (LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances

50 Files: 2-Kitchen appliances, 3-Other appliances, 4-Space heating, 5-Water heating, AC, Miscellaneous.- EL WARM(field_warm.arff) Στο αρχείο με φίλτρο ςτθ μεταβλθτι elwarm, επιλζγονται εκείνεσ οι περιπτϊςεισ μόνο που τα νοικοκυριά χρθςιμοποιοφν θλεκτρικό ρεφμα για τθ κζρμανςθ και όχι κάποιο άλλο καφςιμο. Τα αποτελζςματα είναι: Bagging (LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1855 Παρατθροφμε ότι τα αποτελζςματα δε βελτιϊνονται. Files: 2-Kitchen appliances, 3-Other appliances, 4-Space heating, 5-Water heating, AC, Miscellaneous.- EL WARM-EL FOOD (field_warm_food.arff) Στο προθγοφμενο αρχείο, με χριςθ φίλτρου και πάλι, επιλζγονται εκείνεσ οι περιπτϊςεισ που τα νοικοκυριά χρθςιμοποιοφν θλεκτρικό ρεφμα εκτόσ από τθ κζρμανςθ και για μαγείρεμα. Τα αποτελζςματα ζχουν ωσ εξισ: Bagging (LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances

51 Γίνεται εφκολα φανερό από τα παραπάνω δφο πειράματα, ότι εςτιάηοντασ μόνο ςτουσ καταναλωτζσ που χρθςιμοποιοφν θλεκτρικό ρεφμα για κζρμανςθ,ι για κζρμανςθ και μαγείρεμα τα αποτελζςματα δε βελτιϊνονται. Files: 2-Kitchen appliances, 3-Other appliances, 4-Space heating, 5-Water heating, AC, Miscellaneous.- kwhnom(field_clustered.arff) Στο αρχείο ωσ ζξοδοσ ορίηεται θ μεταβλθτι KWHNOM, θ οποία προκφπτει από ομαδοποίθςθ τθσ μεταβλθτισ kwh ςε 15 κλάςεισ. Ο αρικμόσ των κλάςεων επιλζχκθκε να είναι 15, κακϊσ θ μεταβλθτι kwh ζχει εφροσ * και θ κάκε κλάςθ κα ζχει ζτςι εφροσ Η ομαδοποίθςθ γίνεται με κανόνεσ if-then όπωσ φαίνεται αναλυτικά ςτθν παρακάτω ςχζςθ: IF(KWH>70000; 1 ;IF(KWH>65000; 2 ;IF(KWH>60000; 3 ;IF(KWH>55000; 4 ;IF(KWH>50000; 5 ;IF(KWH> 45000; 6 ;IF(KWH>40000; 7 ;(IF(KWH>35000; 8 ;(IF(KWH>30000; 9 ;(IF(KWH>25000; 10 ;(IF(KWH>2000 0; 11 ;(IF(KWH>15000; 12 ;(IF(KWH>10000; 13 ;(IF(KWH>5000; 14 ; 15 ))))))))))))))))))))) Τα αποτελζςματα που πιραμε είναι: Bagging (LinearRegression) : Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances

52 Εικόνα 4.5 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο field_clustered αρχείο Παρατθροφμε ότι το ςφάλμα δεν μειϊκθκε, αντίκετα αυξικθκε. A priori & field indices Ζωσ αυτό το ςθμείο τα πειράματα ουςιαςτικά διακρίνονται ςε εκείνα όπου γίνεται αποκλειςτικά χριςθ των a priori indices και ςε εκείνα όπου χρθςιμοποιοφνται μόνο μεταβλθτζσ που αφοροφν ςτισ θλεκτρικζσ ςυνικεισ των νοικοκυριϊν. Στα πειράματα που ακολουκοφν γίνεται επιλογι μεταβλθτϊν και των δυο κατθγοριϊν, με ςτόχο πάντοτε τθν καλφτερθ πρόβλεψθ τθσ εξόδου. Επιλογή 55 Μεταβλητζσ (55attr.arff) Ζγινε επιλογι από το ςφνολο των μεταβλθτϊν των εξισ παρακάτω: 1 LRGSTATE Four Largest States 2 URBRUR Reported type of neighborhood 3 HD65 Heat Deg-Days: Base65 01 TO (Inoculated) 4 CD65 Cool Deg-Days: Base65 01 TO (Inoculated) 5 TYPEHUQ Type of Home (Respondent answer) 6 BEDROOMS Number of bedrooms 52

53 7 KOWNRENT Dwelling owned or rented 8 YEARMADE Year Home Built 9 SQFTEST Respondent estimate of heated square footage 10 HBUSNESS Do you operate a home-based business or service 11 NHSLDMEM How many people normally live in this household 12 MONEYPY Total combined income in the past 12 months 13 SDESCENT Householder Hispanic or Latino 14 ORIGIN1 First mention describe the householders race 15 AGEHHMEM1 Age of the householder 16 AGEHHMEM2 Age of the next oldest household member 17 AGEHHMEMY Age of the yountest household member 18 WALLTYPE Exterior Wall Construction Material 19 TOTROOMS Total number of bedrooms and other rooms 20 STOVEN Stove that has both burners and one or two ovens 21 STOVE Separate build-in range top or burners 22 OVEN Separate built-in oven 23 MICRO Use a microwave Oven to do any cooking 24 TOASTER Do use any electric toaster ovens 25 COFFEE Do you use any electric coffee makers 26 NUMFRIG How many refrigerators do you use in your home 27 AGERFRI1 How old is first refrigerator 28 AGERFRI2 How old is second refrigerator 29 NUMFREEZ How many separate freezers are used in your home 30 AGEFRZR How old is this freezer 31 DISHWASH Does your household use an automatic dishwasher 32 AGEDW Age of the dishwasher 33 CWASHER Use a clothes washer in home 34 AGECWASH Age of clothes washer 35 DRYER Do you use a clothes dryer in home 36 AGECDRYER Age of clothes dryer 37 NUMCFAN How many ceiling fans does your household use 38 USECFAN How often is the most-used ceiling fan used 39 TVCOLOR How many TV sets do you use in your home 40 VCR How many VCR players in your home 41 DVD How many DVD players in your home 42 PLAYSTA Have any TV-based game systems 43 NOTMOIST Electric dehumidifier removes moisture in summer 44 MOISTURE Electric humidifier adds moisture in winter 45 COMPUTER A personal computer 46 NUMPC How many PCs do you use 47 EQUIPAGE How old is equipment identified in D-2 heat system 48 AIRCOND Do you have air conditioning equipment at home 53

54 49 LGT12 Lights are turned on more than 12 hours per day 50 LGT12EE Energy efficient bulbs on more than 12 hours per day 51 NOUTLGTNT Number of outdoor lights on all night 52 DOOR1SUM Number of sliding glass doors 53 WINDOWS Number of windows 54 TYPEGLASS Type of window glass 55 KWH Kilowatt Hours Of Electricity Used Τα αποτελζςματα που ζδωςε ο αλγόρικμοσ Bagging (LinearRegression) είναι: Bagging (LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances

55 Εικόνα 4.6 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο 55_attr αρχείο Μετά τθν επιλογι μεταβλθτϊν ζχουμε μικρι βελτίωςθ ςτθν πρόβλεψθ φορτίου. Προχωράμε με επιλογι μεγαλφτερου αρικμοφ μεταβλθτϊν. Επιλογή 113 Μεταβλητζσ (113attr.arff) Στο προθγοφμενο αρχείο προςτζκθκαν οι παρακάτω μεταβλθτζσ: 1 BASEHEAT Basement/crawl Space heated 2 BASECOOL Is basement air-conditioned 3 ATTCHEAT How much of the attic is warm 4 ATTCCOOL Is the attic air-conditioned 5 GARGHEAT Is the garage heated 6 GARGCOOL Is the garage air-conditioned 55

56 7 STOVENFU Stove use the same fuel for both burners and oven 8 STOVENAB What fuel do the burners use 9 STOVENAO What fuel does the oven use 10 OVENA What fuel does your separate built-in oven use 11 OVENUSE How often you use your oven 12 STOVEA Fuel for separate built-in range top 13 TOPGRILL Built-in or stove-top grill 14 STGRILA What fuel does your built-in stove-top grill use 15 AMTMICRO How often is microwave used 16 TSTRFRQ How often you use your electric toaster oven 17 FUELFOOD Which fuels is used most for cooking 18 SIZRFRI1 Size of first refrigerator 19 SIZRFRI2 Size of second refrigerator 20 SIZFREEZ Size of this freezer 21 DWASHUSE How often automatic dishwasher used 22 WASHLOAD How many loads of laundry are washed in a week 23 DRYRFUEL What fuel does clothes dryer use 24 DRYRUSE How often use your clothes dryer 25 SWIMPOOL Does your own swimming pool with filtering system 26 FUELPOOL What fuel is used most often to heat pool water 27 RECBATH Does your home have a heated hot tub spa 28 FUELTUB What fuel is used to the water in hot tub spa 29 PLYSTAHRS Number of hours game systems used each week 30 TVONWD Hours TV on during weekdays 31 TVONWE Hours TV on during week end days 32 USENOTMOIST Number of months dehumidifier used each year 33 USEMOISTURE Number of months humidifier used each year 34 TIMEON1 Time most-used PC on each week 35 TEMPHOME Setting During the day when someone is home 36 TEMPGONE Setting During the day when no one is home 37 TEMPNITE Setting During sleeping hours 38 HEATOFF Number of rooms not heated last winter 39 FUELHEAT Main fuel used for heating home 40 WHEATSIZ Size of households main water heater tank 41 WHEATAGE How old is your households main water heater 42 ACROOMS rooms cooled by air-conditioning during summer 43 AGECENAC How old is your households central AC equipment 44 USECENAC How household uses central AC during the summer 45 TEMPHOMEAC Setting During the day when someone is home 46 TEMPGONEAC Setting During the day when no one is home 47 TEMPNITEAC Setting During sleeping hours 48 NUMBERAC Number of window or wall AC units in your home 56

57 49 WWACAGE How old is households most-used window/wall unit 50 USEWWAC How household uses window AC during the summer 51 FUELH2O Fuel used for heating water washing or bathing 52 ELWARM Electricity used for heat 53 ELFOOD Electricity used to cook 54 ELWATER Electricity used for H2O 55 ELCOOL Electricity used to cool Τα αποτελζςματα που πιραμε είναι: Bagging(LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances

58 Εικόνα 4.7 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression)ςτο 113attributes αρχείο Επιλογή 113 Μεταβλητζσ και TARGETED (113attr_targeted.arff) Από τθν κατανομι τθσ εξόδου-kwh (βλ. εικόνα 4.3) παρατθροφμε ότι οι περιπτϊςεισ πάνω από είναι περιοριςμζνεσ. Επιλζγοντασ, λοιπόν, με χριςθ φίλτρου τισ τιμζσ ζωσ τα αποτελζςματα που πιραμε είναι: Bagging(LinearRegression): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % 58

59 Root relative squared error % Total Number of Instances 4334 Μεταβάλλοντασ τθν παράμετρο iterations (επαναλιψεισ) ςε 20, ο ίδιοσ αλγόρικμοσ δίνει: Bagging(LinearRegression, 20 iterations): Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 4334 Είναι τα καλφτερα αποτελζςματα ζωσ τϊρα. 59

60 Εικόνα 4.8 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Bagging(LinearRegression, 20 iterations) ςτο 113attr_targeted αρχείο Χρήςη meta classifiers και ensemble ςχημάτων Με το ςυγκεκριμζνο αρχείο πλζον, ςτο οποίο ζχουμε καταλιξει ςτθν επιλογι 113 μεταβλθτϊν και ζχουν περιοριςτεί οι τιμζσ τθσ εξόδου ζωσ τισ kwh, εκτελζςτθκαν μια ςειρά από πειράματα κάνοντασ χριςθ των meta αλγορίκμων ςε ςυνδυαςμό με εκείνουσ τουσ αλγόρικμουσ που ζδωςαν τα καλφτερα αποτελζςματα ζωσ τϊρα (ςυμπεριλαμβάνονται όςοι αλγόρικμοι δίνουν αποτελζςματα ςε λογικά χρονικά όρια). Τα αποτελζςματα από τα πειράματα αυτά παρουςιάηονται ςτον παρακάτω πίνακα. 60

61 Meta Αλγόριθμοι Correlation coefficient Mean absolute error Root mean squared error Relative absolute error Root relative squared error Additive Regression 1 LinearRegression M5Rules M5P DecisionStump Bagging 1 LinearRegression M5P DecisionStump ConjuctiveRule Stacking * 1 LinearRegression M5P & M5Rules Vote 1 LinearRegression M5P & M5Rules M5P & M5Rules & DecisionStump Πίνακασ 4.4 Αποτελζςματα από τθ χριςθ meta αλγορίκμων ςε a priori και field indices Ζχουμε ιδθ αναφερκεί ςτον αλγόρικμο Bagging. Ο αλγόρικμοσ AdditiveRegression με ανάλογο τρόπο βελτιϊνει τθν απόδοςθ ενόσ regression learner. Οι αλγόρικμοι Stacking και Vote δίνουν τθ δυνατότθτα ςυνδυαςμοφ δφο ι περιςςοτζρων αλγορίκμων - πρόκειται για ensemble ςχιματα. Τα καλφτερα αποτελζςματα όπωσ φαίνεται και από τον παραπάνω πίνακα ζδωςε ο Stacking με ςυνδυαςμό των M5P και M5Rules classifiers. * με επιλογι meta classifier Bagging (M5P). 61

62 Εικόνα 4.9 Οπτικι αναπαράςταςθ τθσ ςχζςθσ πραγματικισ- προβλεπόμενθσ τιμισ εξόδου που ζδωςε ο Stacking(M5P & M5Rules)ςτο 113attr_targeted αρχείο 62

63 63

64 Κεφάλαιο 5 - Συμπεράςματα και Μελλοντική εργαςία 5.1 Συμπεράςματα Η ζννοια τθσ πλθροφορίασ ζχει αποκτιςει μεγάλθ ςθμαςία ςτθ ςθμερινι ψθφιακι εποχι. Η καλι πλθροφορία από μόνθ τθσ είναι μία κενι ζννοια, θ οποία αν μείνει ανεκμετάλλευτθ δεν εξυπθρετεί κανζναν και τίποτα. Η πλθροφορία γίνεται όμωσ εξαιρετικά ενδιαφζρουςα, εάν μζςω μιασ κατάλλθλθσ επεξεργαςίασ εξάγουμε από αυτιν πολυδιάςτατθ και ςυνδυαςτικι γνϊςθ, θ οποία ςε ςυνδυαςμό με κάποιο ι κάποια μακθματικά ι εννοιολογικά μοντζλα και κανόνεσ, δθμιουργεί το φαινόμενο του ςυμπεραςμοφ και τθσ λογικισ λιψθσ απόφαςθσ (decision reasoning). Η λιψθ απόφαςθσ βαςιςμζνθ ςε κάποια πλθροφορία, είναι κάτι αρκετά πολφπλοκο, αν πρόκειται μάλιςτα για λιψθ βζλτιςτθσ απόφαςθσ. Και αυτό γιατί οι περιςςότερεσ τεχνικζσ που ακολουκοφνται ςιμερα προςπακοφν να προςεγγίςουν τθν ανκρϊπινθ λογικι ι κάποιο μζροσ τθσ (πχ. ανκρϊπινοσ εγκζφαλοσ και νευρϊνεσ) και να εξομοιϊςουν τθν διαδικαςία του ανκρϊπινου ςυμπεραςμοφ (π.χ. νευρωνικά δίκτυα, αςαφισ λογικι κ.ο.κ.). Η ςθμαςία πια τθσ Ενεργειακισ Πλθροφορίασ και των μεταδεδομζνων που τθν ςυνοδεφουν μπορεί να αποκτιςει πολφ μεγάλθ αξία. Η ςχεδίαςθ τθσ βζλτιςτθσ ενεργειακισ πολιτικισ, ςτα πλαίςια τθσ ελεφκερθσ παραγωγισ και διάκεςθσ ενζργειασ, εξελίςςεται ςε ζνα ιδιαίτερα ςφνκετο πρόβλθμα τθν ςιμερον εποχι, ειδικά μετά τθν ανάπτυξθ και χρθςιμοποίθςθ των Ανανεϊςιμων Πθγϊν Ενζργειασ (ΑΠΕ). Ο ενεργειακόσ χϊροσ ςτθν Ελλάδα κα παρουςιάςει μεγάλθ ανάπτυξθ τα επόμενα χρόνια με τθν χρθςιμοποίθςθ των ΑΠΕ -Ανανεϊςιμων Πθγϊν Ενζργειασ- και τθν απελευκζρωςθ τθσ αγοράσ για τθν χαμθλι τάςθ και τουσ οικιακοφσ καταναλωτζσ. Η ζννοια τθσ εξοικονόμθςθσ ενζργειασ -κόςτουσ- και των νεόφερτων «ενεργειακϊν υπθρεςιϊν» κα αποκτιςει ιδιαίτερθ βαρφτθτα και κα αποτελζςει ςθμείο αναφοράσ για τθν δθμιουργία νζων Ενεργειακϊν Υπθρεςιϊν. Η ζννοια τθσ ζξυπνθσ και κατευκυνόμενθσ υπθρεςίασ (personalized service) ςτθν ςφγχρονθ εποχι τθσ Πλθροφορικισ, πθγάηει από τθν ζξυπνθ ανάλυςθ και επεξεργαςία κάποιων πρωτογενϊν δεδομζνων. Για να ζχει αξία μία προςωποποιθμζνθ προςφορά ενεργειακισ υπθρεςίασ, κα πρζπει ο πάροχοσ να ζχει πλιρθ ζλεγχο και εικόνα του target group ςτο οποίο ςτοχεφει. Δθλαδι κα πρζπει να ςυλλζξει και να εκμεταλλευτεί τθν οποιαδιποτε πλθροφορία που πθγάηει από το group των δυνθτικϊν πελατϊν. Η αξιολόγθςθ και θ δυναμικι επεξεργαςία τθσ πλθροφορίασ ςε οποιαδιποτε επίπεδο, αποτελεί ςιμερα ιςχυρό ςτρατθγικό πλεονζκτθμα. Η γνϊςθ λοιπόν τθσ ενεργειακισ πλθροφορίασ μπορεί να ςυμβάλει ςτα εξισ: Από τθν πλευρά του καταναλωτι θ γνϊςθ του ενεργειακοφ του προφίλ μπορεί να οδθγιςει ςε μείωςθ του κόςτουσ τθσ θλεκτρικισ ενζργειασ που χρθςιμοποιεί, μζςα από τθν επιλογι εκείνου του προγράμματοσ - πακζτου που τον ςυμφζρει περιςςότερο. Βοθκά ςτο να αντιλθφκεί ο καταναλωτισ ποιεσ θλεκτρικζσ του ςυνικειεσ είναι οι πιο ενεργοβόρεσ και αν αυτό είναι εφικτό να τισ περιορίςει, ςυμβάλλοντασ ςτθν επίτευξθ του ςτόχου τθσ εξοικονόμθςθσ ενζργειασ. Δίνεται θ δυνατότθτα ςτισ εταιρείεσ-παρόχουσ θλεκτρικισ ενζργειασ να προςεγγίηουν το πελατειακό κοινό που ανταποκρίνεται ςτισ ενεργειακζσ δυνατότθτζσ τουσ και ταυτόχρονα διακζτουν προφίλ που κα τουσ εξαςφαλίςει τα υψθλότερα κατά το δυνατόν ζςοδα. 64

65 Με τθν παροφςα εργαςία ζγινε μια πρϊτθ προςπάκεια αρχικά επιλογισ εκείνων των μεταβλθτϊν που ςχετίηονται περιςςότερο με τθν κατανάλωςθ θλεκτρικισ ενζργειασ, εκφραςμζνθ ςε kwh, κι ζπειτα για τθν εξαγωγι του βζλτιςτου δυνατοφ μοντζλου πρόβλεψθσ τθσ τελευταίασ. Από τα αποτελζςματα που πιραμε καταλιγουμε ςτα εξισ ςυμπεράςματα: 1. Παίρνουμε καλφτερα αποτελζςματα με χριςθ και των δυο τφπων μεταβλθτϊν, δθλαδι και των a priori indices αλλά και των field indices. Ειδικά, αποκλειςτικι χριςθ των a priori indices μασ οδθγεί ςε μοντζλα με μεγάλο βακμό ςφάλματοσ, κάτι που είχε διαπιςτωκεί και ςε προγενζςτερεσ εργαςίεσ. 2. Τα αποτελζςματα βελτιϊνονται αφαιρϊντασ τισ περιπτϊςεισ εκείνεσ όπου παρατθροφνται ακραίεσ τιμζσ τθσ εξόδου. 3. Ζχουμε ςθμαντικι βελτίωςθ όταν γίνεται χριςθ των meta αλγορίκμων και τεχνικϊν ensemble, δθλαδι ςυνδυαςμοφ δφο ι περιςςοτζρων αλγορίκμων. 5.2 Μελλοντική εργαςία Μελλοντικά, κα μποροφςαν να γίνουν τα παρακάτω βιματα: Προεπεξεργαςία των δεδομζνων. Επιλογι των κατάλλθλων χαρακτθριςτικϊν και μεταςχθματιςμόσ τουσ με διάφορουσ τρόπουσ, χρθςιμοποιϊντασ διάφορα φίλτρα, ανάλογα με τουσ αλγορίκμουσ που κα επιλεγοφν για να χρθςιμοποιθκοφν ςτθ ςυνζχεια. Εκτζλεςθ εκτενϊν πειραμάτων με εφαρμογι διαφόρων αλγορίκμων εξόρυξθσ δεδομζνων και ςυνδυαςμοφσ αυτϊν, ϊςτε να προκφψουν τα διάφορα μοντζλα πρόβλεψθσ. Τα μοντζλα αυτά πρζπει να αξιολογθκοφν από κάποιον ειδικό του τομζα εφαρμογισ και ςε περίπτωςθ ανακάλυψθσ γνϊςθσ για το ςυγκεκριμζνο πρόβλθμα, είναι απαραίτθτθ θ ερμθνεία των αποτελεςμάτων. Το καλφτερο, βζβαια, κα ιταν να ςυγκεντρωκοφν πρωτογενι δεδομζνα, που να ανταποκρίνονται ςτθν ελλθνικι πραγματικότθτα και κατόπιν να εφαρμοςτοφν τα παραπάνω βιματα. Περαιτζρω, κα μποροφςε να αναπτυχκεί λογιςμικό για τθν ειςαγωγι των δεδομζνων που λαμβάνονται από τουσ πελάτεσ. Το πρόγραμμά αυτό κα ζχει τθ δυνατότθτα, μετά τθν ειςαγωγι των δεδομζνων, να εφαρμόηει τουσ διάφορουσ αλγορίκμουσ και να δθμιουργεί τα μοντζλα πρόβλεψθσ, τα οποία κα ςυνεχίηουν να εκπαιδεφονται με τα νζα δεδομζνα που κα προςτίκενται ςτθ ςυνζχεια ςτο ςφςτθμα. 65

66 Παράρτημα I - Το Πρόγραμμα WEKA I.1 Πλατφόρμα Εφαρμογήσ WEKA Το WEKA είναι μια πλατφόρμα εξόρυξθσ γνϊςθσ από δεδομζνα που περιζχει μια ευρεία ςυλλογι αλγορίκμων μθχανικισ μάκθςθσ, υλοποιθμζνων ςτθ γλϊςςα προγραμματιςμοφ JAVA, ενϊ παρζχει και γραφικό περιβάλλον τόςο για τθ χριςθ τουσ, όςο και για τθν προεπεξεργαςία των δεδομζνων εκπαίδευςθσ και αξιολόγθςθσ, κακϊσ και για τθν ανάλυςθ των αποτελεςμάτων μζςω οπτικοποίθςθσ (visualization). Το WEKA διατίκεται δωρεάν για ερευνθτικοφσ ςκοποφσ (http://www.cs.waikato.ac.nz/~ml/weka). Η εκκίνθςθ του Weka ενεργοποιεί το παράκυρο GUI Chooser, από το οποίο ο χριςτθσ μπορεί να κάνει μία από τισ ακόλουκεσ τζςςερισ επιλογζσ: 1. Simple CLI (command-line interface): Δίνεται θ δυνατότθτα απευκείασ εκτζλεςθσ των εντολϊν του Weka, μζςα από περιβάλλον γραμμισ εντολϊν. 2. Explorer: Δίνεται ζνα γραφικό περιβάλλον για επεξεργαςία των δεδομζνων με το Weka. 3. Experimenter: Πρόκειται για ζνα περιβάλλον εκτζλεςθσ πειραμάτων και ςτατιςτικϊν ςυγκρίςεων ανάμεςα ςτουσ διάφορουσ αλγορίκμουσ μάκθςθσ. 4. Knowledge Flow: Το περιβάλλον ροισ γνϊςθσ δίνει τθ δυνατότθτα προςομοίωςθσ ενόσ ςυςτιματοσ λιψθσ απόφαςθσ, προςκζτοντάσ τα διάφορα τμιματά του (π.χ. dataset, filter, classifier, evaluator) ζνα - ζνα και αξιολόγθςισ του ςε ςχζςθ με άλλα ςυςτιματα. Το περιβάλλον του Weka φαίνεται ςτθν Εικόνα I.1. Εικόνα I.1: Το γραφικό περιβάλλον του Weka 66

67 I.1.1 Τα αρχεία ςτο WEKA Τα ςφνολα δεδομζνων που μπορεί να επεξεργαςτεί το πρόγραμμα Weka πρζπει να ζχουν ςυγκεκριμζνθ μορφι. Συγκεκριμζνα, πρζπει να δίνονται ςε απλι μορφι κειμζνου (plain text) με μια οριςμζνθ δομι. Τα αρχεία αυτά ςυνικωσ ζχουν προζκταςθ.arff (Attribute Relation File Format). Τα αρχεία ARFF αποτελοφνται από δφο διακριτζσ περιοχζσ. Το πρϊτο τμιμα είναι θ Επικεφαλίδα (Header) και το δεφτερο τα Δεδομζνα (Data). Το τμιμα Header ενόσ ARFF αρχείου περιλαμβάνει το όνομα τθσ ςχζςθσ, δθλαδι του ςυνόλου δεδομζνων, (relation) και μια λίςτα με τα ονόματα και τουσ τφπουσ των χαρακτθριςτικϊν (attributes). Η πρϊτθ γραμμι ςε ζνα ARFF αρχείο είναι αυτι που περιλαμβάνει τθ διλωςθ τθσ ςχζςθσ. Το όνομα τθσ ςχζςθσ μπορεί να είναι αλφαρικμθτικό και ςε περίπτωςθ που περιζχει κενά πρζπει να περικλείεται ςε ειςαγωγικά. Στθ ςυνζχεια, ακολουκεί θ διλωςθ των ιδιοτιτων. Η ςειρά με τθν οποία δθλϊνονται οι ιδιότθτεσ κακορίηει τθ κζςθ που ζχουν οι τιμζσ τθσ ιδιότθτασ ςτο τμιμα των δεδομζνων. Επίςθσ, ςτο τμιμα Header μποροφν να υπάρχουν και ςχόλια. Τα ςχόλια είναι οι γραμμζσ που ξεκινοφν με το ςφμβολο %. Στο τμιμα Data περιγράφονται τα δεδομζνα. Κάκε ςτιγμιότυπο καταλαμβάνει μια γραμμι και το τζλοσ του κάκε ςτιγμιότυπου δθλϊνεται με το χαρακτιρα αλλαγισ γραμμισ. Η γενικι μορφι ενόσ αρχείου ARFF είναι θ attr1_name attr2_name attr3_name attrn_name attr1_value,attr2_value,attr3_value,...,attrn_value attr1_value,attr2_value,attr3_value,...,attrn_value attr1_value,attr2_value,attr3_value,...,attrn_value... attr1_value,attr2_value,attr3_value,...,attrn_value 67

68 Οι τφποι δεδομζνων που υποςτθρίηει το πρόγραμμα Weka είναι οι ακόλουκοι: 1. Αρικμθτικόσ τφποσ δεδομζνων (numeric): Οι τιμζσ που παίρνει είναι αρικμθτικζσ, ακζραιεσ ι πραγματικζσ. 2. Κατθγορικόσ τφποσ δεδομζνων (nominal): Πρόκειται για χαρακτθριςτικά που παίρνουν κατθγορικζσ τιμζσ, οι οποίεσ παρατίκενται ςαν λίςτα ςτθ διλωςθ των ιδιοτιτων. 3. Αλφαρικμθτικόσ τφποσ δεδομζνων (string): Πρόκειται για χαρακτθριςτικά των οποίων οι τιμζσ μπορεί να είναι οποιοδιποτε τμιμα κειμζνου. Αυτόσ ο τφποσ είναι ιδιαίτερα χριςιμοσ ςε εφαρμογζσ text-mining. 4. Τφποσ δεδομζνων θμερομθνίασ (date): Οι τιμζσ των χαρακτθριςτικϊν αυτϊν είναι θμερομθνίεσ και με το προαιρετικό date-format κακορίηεται θ μορφι με τθν οποία κα εμφανίηονται οι θμερομθνίεσ. Ωςτόςο, οι τελευταίεσ εκδόςεισ του Weka μποροφν να διαχειριςτοφν δεδομζνα και από άλλουσ τφπουσ αρχείων, όπωσ CSV, C4.5, binary, αλλά και από βάςεισ δεδομζνων μζςω JDBC (Java DataBase Connectivity). I.1.2 Το Περιβάλλον Explorer Στο περιβάλλον Explorer του Weka (Εικόνα I.2) μποροφμε να ανοίξουμε ζνα αρχείο, να γίνει κάποια προεπεξεργαςία (preprocess) ςτα δεδομζνα εάν κρίνεται αναγκαίο, να εφαρμοςτεί κάποιοσ αλγόρικμοσ μάκθςθσ και ςτθ ςυνζχεια να ελεγχκεί θ απόδοςι του. Μποροφν να χρθςιμοποιθκοφν αλγόρικμοι ταξινόμθςθσ, ομαδοποίθςθσ, δθμιουργίασ κανόνων ςυςχζτιςθσ ι επιλογισ χαρακτθριςτικϊν επιλζγοντασ ανάλογα Classify, Cluster, Associate ι Select attributes από το βαςικό παράκυρο του Explorer. 68

69 Εικόνα I.2: Το περιβάλλον Explorer του Weka Από το Open File γίνεται θ επιλογι του επικυμθτοφ ςυνόλου δεδομζνων. Μόλισ ανοίξει το αρχείο εμφανίηεται το όνομα του, ο αρικμόσ των ςτιγμιότυπων, όπωσ επίςθσ και ο αρικμόσ και τα ονόματα των χαρακτθριςτικϊν του. Μάλιςτα, επιλζγοντασ κάποιο χαρακτθριςτικό, ςτο δεξί τμιμα του παρακφρου φαίνονται οι τιμζσ που αυτό μπορεί να πάρει. Η κάκε τιμι ακολουκείται και από ζναν αρικμό που δθλϊνει ςε πόςα από τα ςτιγμιότυπα του ςυνόλου παρατθρικθκε. Αφοφ φορτωκοφν τα δεδομζνα, το τμιμα Filter του παρακφρου προςφζρει διάφορα εργαλεία για τθν προ-επεξεργαςία των δεδομζνων, γνωςτά ωσ «φίλτρα» (filters). Υπάρχουν φίλτρα για μετατροπι ςυνεχϊν τιμϊν ςε διακριτζσ (discretization), κανονικοποίθςθ (normalization), επανα-δειγματολθψία (resampling), επιλογι ιδιοτιτων (attribute selection), μετατροπι και ςυνδυαςμόσ ιδιοτιτων (transforming and combining attributes). Μετά τθν επιλογι του φίλτρου, ορίηουμε τα χαρακτθριςτικά τα οποία κζλουμε να ςυμπεριλθφκοφν ςτθν προεπεξεργαςία και ςτθ ςυνζχεια πατϊντασ το κουμπί Apply, ενεργοποιείται το φίλτρο. Το παράκυρο Classify Στο παράκυρο Classify (Εικόνα I.3) παρζχεται θ δυνατότθτα να εκπαιδεφςουμε ζναν αλγόρικμο μθχανικισ μάκθςθσ (κατθγοριοποιθτι) με βάςθ τα δεδομζνα και να τον χρθςιμοποιιςουμε ςτθ ςυνζχεια για τθν ταξινόμθςθ και άλλων δειγμάτων. 69

70 Εικόνα I.3: Το παράκυρο Classify του Explorer Επιλζγοντασ Classifier εμφανίηεται ζνα μενοφ κατθγοριοποιθτϊν (Εικόνα I.4) από το οποίο μποροφμε να επιλζξουμε τον αλγόρικμο που κζλουμε να εφαρμόςουμε ςτα δεδομζνα μασ και να ρυκμίςουμε τισ επιλογζσ αυτοφ. Κάποιοι κατθγοριοποιθτζσ εφαρμόηονται μόνο για πρόβλεψθ ονομαςτικϊν κατθγοριϊν (nominal attributes), κάποιοι μόνο για πρόβλεψθ αρικμθτικϊν κατθγοριϊν και κάποιοι και για τισ δφο κατθγορίεσ. 70

71 Εικόνα I.4: Διακζςιμοι κατθγοριοποιθτζσ Τα αποτελζςματα του επιλεγμζνου κατθγοριοποιθτι μποροφν να ελεγχκοφν με διάφορουσ τρόπουσ, ανάλογα με το τι κα επιλζξουμε ςτο τμιμα Test Options, δθλαδι ανάλογα με το ποια τεχνικι κα χρθςιμοποιθκεί για τθν εκπαίδευςθ του μοντζλου. Οι δυνατότθτεσ που μασ δίνονται είναι οι ακόλουκεσ: 1. Με χριςθ ςυνόλου εκπαίδευςθσ (Use training set): Εδϊ θ απόδοςθ του κατθγοριοποιθτι ελζγχεται όςον αφορά ςτο πόςο καλά προβλζπει τθν κατθγορία των δεδομζνων εκπαίδευςθσ. 2. Με χριςθ ςυνόλου δοκιμισ (Supplied test set): Εδϊ θ απόδοςθ του κατθγοριοποιθτι ελζγχεται όςον αφορά ςτο πόςο καλά προβλζπει τθν κατθγορία νζων παραδειγμάτων (διαφορετικϊν από αυτά ςτα οποία εκπαιδεφτθκε). Τα παραδείγματα αυτά βρίςκονται ςτο αρχείο που κακορίηουμε μζςα από τθν επιλογι SET, το οποίο ονομάηεται ςφνολο δοκιμισ (test set). 3. Διαςταφρωςθ (Cross-validation): Σφμφωνα με τθ μζκοδο αυτι, τα δεδομζνα χωρίηονται ςε k υποςφνολα ίςου μεγζκουσ (folds) και κάκε υποςφνολο χρθςιμοποιείται για εκπαίδευςθ, ενϊ τα υπόλοιπα για δοκιμι, εκ περιτροπισ. Το τελικό ποςοςτό ςφάλματοσ είναι ο μζςοσ όροσ των k ποςοςτϊν. Η μζκοδοσ ονομάηεται k-fold cross-validation και θ πιο διαδεδομζνθ τιμι για το k είναι το 10, κακϊσ ζχει αποδειχκεί ότι είναι το καλφτερο για μια ακριβζςτερθ εκτίμθςθ. 71

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium V

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium V Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium V Στατιςτική Συμπεραςματολογία Ι Σημειακζσ Εκτιμήςεισ Διαςτήματα Εμπιςτοςφνησ Στατιςτική Συμπεραςματολογία (Statistical Inference) Το πεδίο τθσ Στατιςτικισ Συμπεραςματολογία,

Διαβάστε περισσότερα

Ενεργειακά Τηάκια. Πουκεβίλ 2, Ιωάννινα Τθλ. 26510.23822 www.energeiaka-ktiria.gr www.facebook.com/energeiaka.ktiria

Ενεργειακά Τηάκια. Πουκεβίλ 2, Ιωάννινα Τθλ. 26510.23822 www.energeiaka-ktiria.gr www.facebook.com/energeiaka.ktiria Ενεργειακά Τηάκια Πουκεβίλ 2, Ιωάννινα Τθλ. 26510.23822 www.facebook.com/energeiaka.ktiria Σελ. 2 Η ΕΣΑΙΡΕΙΑ Η εταιρεία Ενεργειακά Κτίρια δραςτθριοποιείται ςτθν παροχι ολοκλθρωμζνων υπθρεςιϊν και ςτθν

Διαβάστε περισσότερα

25. Ποια είναι τα ψυκτικά φορτία από εξωτερικζσ πθγζσ. Α) Τα ψυκτικά φορτία από αγωγιμότθτα. Β) Τα ψυκτικά φορτία από ακτινοβολία και

25. Ποια είναι τα ψυκτικά φορτία από εξωτερικζσ πθγζσ. Α) Τα ψυκτικά φορτία από αγωγιμότθτα. Β) Τα ψυκτικά φορτία από ακτινοβολία και 25. Ποια είναι τα ψυκτικά φορτία από εξωτερικζσ πθγζσ Α) Τα ψυκτικά φορτία από αγωγιμότθτα. Β) Τα ψυκτικά φορτία από ακτινοβολία και Γ) Τα ψυκτικά φορτία από είςοδο εξωτερικοφ αζρα. 26. Ποιζσ είναι οι

Διαβάστε περισσότερα

ΘΥ101: Ειςαγωγι ςτθν Πλθροφορικι

ΘΥ101: Ειςαγωγι ςτθν Πλθροφορικι Παράςταςη κινητήσ υποδιαςτολήσ ςφμφωνα με το πρότυπο ΙΕΕΕ Δρ. Χρήστος Ηλιούδης το πρότυπο ΙΕΕΕ 754 ζχει χρθςιμοποιθκεί ευρζωσ ςε πραγματικοφσ υπολογιςτζσ. Το πρότυπο αυτό κακορίηει δφο βαςικζσ μορφζσ κινθτισ

Διαβάστε περισσότερα

Η θεωρία τησ ςτατιςτικήσ ςε ερωτήςεισ-απαντήςεισ Μέροσ 1 ον (έωσ ομαδοποίηςη δεδομένων)

Η θεωρία τησ ςτατιςτικήσ ςε ερωτήςεισ-απαντήςεισ Μέροσ 1 ον (έωσ ομαδοποίηςη δεδομένων) 1)Πώσ ορύζεται η Στατιςτικό επιςτόμη; Στατιςτικι είναι ζνα ςφνολο αρχϊν και μεκοδολογιϊν για: το ςχεδιαςμό τθσ διαδικαςίασ ςυλλογισ δεδομζνων τθ ςυνοπτικι και αποτελεςματικι παρουςίαςι τουσ τθν ανάλυςθ

Διαβάστε περισσότερα

Οδηγόσ αρχαρίων για το Φωτιςμό Χαμηλήσ Ενεργειακήσ Κατανάλωςησ

Οδηγόσ αρχαρίων για το Φωτιςμό Χαμηλήσ Ενεργειακήσ Κατανάλωςησ Οδηγόσ αρχαρίων για το Φωτιςμό Χαμηλήσ Ενεργειακήσ Κατανάλωςησ Γιατί να μάκετε για το φωτιςμό χαμθλισ ενεργειακισ κατανάλωςθσ ςτο ςπίτι ςασ; Ζχει εκτιμθκεί ότι περνάμε το 90% τθσ ηωισ μασ ςε εςωτερικοφσ

Διαβάστε περισσότερα

1 ο ΜΑΘΗΜΑ Κεφάλαιο 1, Παράγραφοι 1.1, 1.2 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ

1 ο ΜΑΘΗΜΑ Κεφάλαιο 1, Παράγραφοι 1.1, 1.2 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ 1 ο ΜΑΘΗΜΑ Κεφάλαιο 1, Παράγραφοι 1.1, 1.2 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Στατιςτικι είναι ο κλάδοσ των μακθματικϊν που αςχολείται με τθ ςυλλογι, τθν οργάνωςθ, τθν παρουςίαςθ και τθν ανάλυςθ αρικμθτικϊν

Διαβάστε περισσότερα

Μάρκετινγκ V Κοινωνικό Μάρκετινγκ. Πόπη Σουρμαΐδου. Σεμινάριο: Αναπτφςςοντασ μια κοινωνική επιχείρηςη

Μάρκετινγκ V Κοινωνικό Μάρκετινγκ. Πόπη Σουρμαΐδου. Σεμινάριο: Αναπτφςςοντασ μια κοινωνική επιχείρηςη Μάρκετινγκ V Κοινωνικό Μάρκετινγκ Πόπη Σουρμαΐδου Σεμινάριο: Αναπτφςςοντασ μια κοινωνική επιχείρηςη Σφνοψη Τι είναι το Marketing (βαςικι ειςαγωγι, swot ανάλυςθ, τα παλιά 4P) Τι είναι το Marketing Plan

Διαβάστε περισσότερα

Ζρευνα ικανοποίθςθσ τουριςτϊν

Ζρευνα ικανοποίθςθσ τουριςτϊν Ζρευνα ικανοποίθςθσ τουριςτϊν Ammon Ovis_Ζρευνα ικανοποίθςθσ τουριςτϊν_ Ραδιοςτακμόσ Flash 96 1 ΣΤΟΙΧΕΙΑ ΔΕΙΓΜΑΤΟΣ Σο δείγμα περιλαμβάνει 332 τουρίςτεσ από 5 διαφορετικζσ θπείρουσ. Οι περιςςότεροι εξ αυτϊν

Διαβάστε περισσότερα

Ηλιακι Θζρμανςθ οικίασ

Ηλιακι Θζρμανςθ οικίασ Ηλιακι Θζρμανςθ οικίασ Δυνατότθτα κάλυψθσ κερμαντικϊν αναγκϊν ζωσ και 100% (εξαρτάται από τθν τοποκεςία, τθν ςυλλεκτικι επιφάνεια και τθν μάηα νεροφ αποκθκεφςεωσ) βελτιςτοποιθμζνο ςφςτθμα με εγγυθμζνθ

Διαβάστε περισσότερα

Ενδεικτική Οργάνωςη Ενοτήτων. Α Σάξη. Διδ. 1 ΕΝΟΣΗΣΑ 1. 6 Ομαδοποίθςθ, Μοτίβα,

Ενδεικτική Οργάνωςη Ενοτήτων. Α Σάξη. Διδ. 1 ΕΝΟΣΗΣΑ 1. 6 Ομαδοποίθςθ, Μοτίβα, Ενδεικτική Οργάνωςη Ενοτήτων Α Σάξη Α/ Μαθηματικό περιεχόμενο Δείκτεσ Επιτυχίασ Ώρεσ Α Διδ. 1 ΕΝΟΣΗΣΑ 1 Αλ1.1 υγκρίνουν και ταξινομοφν αντικείμενα ςφμφωνα με κάποιο χαρακτθριςτικό/κριτιριο/ιδιότθτά Ομαδοποίθςθ,

Διαβάστε περισσότερα

Ανάπτυξη Εφαρμογών με Σχεςιακέσ Βάςεισ Δεδομένων

Ανάπτυξη Εφαρμογών με Σχεςιακέσ Βάςεισ Δεδομένων Ανάπτυξη Εφαρμογών με Σχεςιακέσ Βάςεισ Δεδομένων Δρ. Θεοδώρου Παύλοσ theodorou@uoc.gr Περιεχόμενα Τι είναι οι Βάςεισ Δεδομζνων (DataBases) Τι είναι Σφςτθμα Διαχείριςθσ Βάςεων Δεδομζνων (DBMS) Οι Στόχοι

Διαβάστε περισσότερα

τατιςτικά ςτοιχεία ιςτότοπου Κ.Ε.Π.Α. Α.Ν.Ε.Μ, www.e-kepa.gr για τθν περίοδο 1/1/2011-31/12/2014

τατιςτικά ςτοιχεία ιςτότοπου Κ.Ε.Π.Α. Α.Ν.Ε.Μ, www.e-kepa.gr για τθν περίοδο 1/1/2011-31/12/2014 τατιςτικά ςτοιχεία ιςτότοπου Κ.Ε.Π.Α. Α.Ν.Ε.Μ, www.e-kepa.gr για τθν περίοδο 1/1/2011-31/12/2014 Ειςαγωγι Στο παρόν κείμενο παρουςιάηονται και αναλφονται τα ςτατιςτικά ςτοιχεία του ιςτοτόπου τθσ ΚΕΠΑ-ΑΝΕΜ,

Διαβάστε περισσότερα

Ειςαγωγι ςτθν Αςαφι Λογικι

Ειςαγωγι ςτθν Αςαφι Λογικι Ειςαγωγι ςτθν Αςαφι Λογικι Matlab fuzzy logic toolbox Ειςαγωγικά Η αςαφισ λογικι μπορεί να κεωρθκεί ωσ μια επζκταςθ τθσ μακθματικισ λογικισ, όπου οι λογικζσ προτάςεισ δεν ζχουν απόλυτεσ τιμζσ αλικειασ

Διαβάστε περισσότερα

ΗΛΕΚΣΡΟΝΙΚΗ ΤΠΗΡΕΙΑ ΑΠΟΚΣΗΗ ΑΚΑΔΗΜΑΪΚΗ ΣΑΤΣΟΣΗΣΑ

ΗΛΕΚΣΡΟΝΙΚΗ ΤΠΗΡΕΙΑ ΑΠΟΚΣΗΗ ΑΚΑΔΗΜΑΪΚΗ ΣΑΤΣΟΣΗΣΑ ΗΛΕΚΣΡΟΝΙΚΗ ΤΠΗΡΕΙΑ ΑΠΟΚΣΗΗ ΑΚΑΔΗΜΑΪΚΗ ΣΑΤΣΟΣΗΣΑ Οδηγός Χρήσης Εφαρμογής Ελέγχου Προσφορών Αφοφ πιςτοποιθκεί ο λογαριαςμόσ που δθμιουργιςατε ςτο πρόγραμμα ωσ Πάροχοσ Προςφορϊν, κα λάβετε ζνα e-mail με

Διαβάστε περισσότερα

Παράςταςη ακεραίων ςτο ςυςτημα ςυμπλήρωμα ωσ προσ 2

Παράςταςη ακεραίων ςτο ςυςτημα ςυμπλήρωμα ωσ προσ 2 Παράςταςη ακεραίων ςτο ςυςτημα ςυμπλήρωμα ωσ προσ 2 Δρ. Χρήζηος Ηλιούδης Μθ Προςθμαςμζνοι Ακζραιοι Εφαρμογζσ (ςε οποιαδιποτε περίπτωςθ δεν χρειάηονται αρνθτικοί αρικμοί) Καταμζτρθςθ. Διευκυνςιοδότθςθ.

Διαβάστε περισσότερα

Πειραματικι Ψυχολογία (ΨΧ66)

Πειραματικι Ψυχολογία (ΨΧ66) Πειραματικι Ψυχολογία (ΨΧ66) Διδάςκουςα: Αλεξάνδρα Οικονόμου Παρουςίαςη διαλζξεων: Πζτροσ Ροφςςοσ Διάλεξη 1 Ειςαγωγι Αντικείμενο και τρόποσ λειτουργίασ του μακιματοσ Τι είναι επιςτιμθ; Καλωςορίςατε ςτο

Διαβάστε περισσότερα

ελ. 11/235, Περιεχόμενα Φακζλου "Σεχνικι Προςφορά"

ελ. 11/235, Περιεχόμενα Φακζλου Σεχνικι Προςφορά υντάκτθσ : Ευάγγελοσ Κρζτςιμοσ χόλιο: ΠΑΡΑΣΗΡΗΗ 1 ελ. 11/235, Περιεχόμενα Φακζλου "Σεχνικι Προςφορά" Για τθν αποφυγι μεγάλου όγκου προςφοράσ και για τθ διευκόλυνςθ του ζργου τθσ επιτροπισ προτείνεται τα

Διαβάστε περισσότερα

ΔΕΛΣΙΟ ΣΤΠΟΤ ΣΟΧΑΙ ΑΕ: «ΚΛΑΔΙΚΕ ΣΟΧΕΤΕΙ» ΜΕΛΕΣΗ ΑΓΟΡΑ ΑΛΤΙΔΩΝ ΛΙΑΝΙΚΟΤ ΕΜΠΟΡΙΟΤ

ΔΕΛΣΙΟ ΣΤΠΟΤ ΣΟΧΑΙ ΑΕ: «ΚΛΑΔΙΚΕ ΣΟΧΕΤΕΙ» ΜΕΛΕΣΗ ΑΓΟΡΑ ΑΛΤΙΔΩΝ ΛΙΑΝΙΚΟΤ ΕΜΠΟΡΙΟΤ ΔΕΛΣΙΟ ΣΤΠΟΤ ΣΟΧΑΙ ΑΕ: «ΚΛΑΔΙΚΕ ΣΟΧΕΤΕΙ» ΜΕΛΕΣΗ ΑΓΟΡΑ ΑΛΤΙΔΩΝ ΛΙΑΝΙΚΟΤ ΕΜΠΟΡΙΟΤ Μείωςθ 1,9% ςε ςχζςθ με το 2009, παρουςίαςε θ αγορά των αλυςίδων λιανικοφ εμπορίου των οκτϊ εξεταηόμενων κατθγοριϊν το 2010

Διαβάστε περισσότερα

Μελζτη Εξοικονόμηςησ Ενζργειασ ςε μονοκατοικία ςτο Κζντρο Αθηνών

Μελζτη Εξοικονόμηςησ Ενζργειασ ςε μονοκατοικία ςτο Κζντρο Αθηνών Μελζτη Εξοικονόμηςησ Ενζργειασ ςε μονοκατοικία ςτο Κζντρο Αθηνών Περιγραφή Το κτίριο αυτό βρίςκεται ςτο κζντρο τθσ Ακινασ και δροςίηεται μόνο με ανεμιςτιρεσ Εγκατάςταςθ Οικοςτζγθσ ςτθν οροφι ιδιόκτθτου

Διαβάστε περισσότερα

Πανεπιςτήμιο Θεςςαλίασ. Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών Τομζασ: Συγκοινωνιακόσ

Πανεπιςτήμιο Θεςςαλίασ. Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών Τομζασ: Συγκοινωνιακόσ Πανεπιςτήμιο Θεςςαλίασ Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών Τομζασ: Συγκοινωνιακόσ Μάκθμα: Σχεδιαςμόσ και Λειτουργία Αεροπορικϊν Συςτθμάτων Ζτοσ 5 ο Οδθγόσ μακιματοσ 2013 2014 ΠΙΝΑΚΑ ΠΕΡΙΕΧΟΜΕΝΩΝ

Διαβάστε περισσότερα

Σφντομεσ Οδθγίεσ Χριςθσ

Σφντομεσ Οδθγίεσ Χριςθσ Σφντομεσ Οδθγίεσ Χριςθσ Περιεχόμενα 1. Επαφζσ... 3 2. Ημερολόγιο Επιςκζψεων... 4 3. Εκκρεμότθτεσ... 5 4. Οικονομικά... 6 5. Το 4doctors ςτο κινθτό ςου... 8 6. Υποςτιριξθ... 8 2 1. Επαφζσ Στισ «Επαφζσ»

Διαβάστε περισσότερα

Θερμοδυναμική ΑΕ. Ηαφειρίδθσ Ε. Χριςτοσ Μθχανικόσ παραγωγισ & Διοίκθςθσ Διευκφνων φμβουλοσ

Θερμοδυναμική ΑΕ. Ηαφειρίδθσ Ε. Χριςτοσ Μθχανικόσ παραγωγισ & Διοίκθςθσ Διευκφνων φμβουλοσ Θερμοδυναμική ΑΕ Ηαφειρίδθσ Ε. Χριςτοσ Μθχανικόσ παραγωγισ & Διοίκθςθσ Διευκφνων φμβουλοσ ΘΕΡΜΟΔΤΝΑΜΙΚΗ Α.Ε. 40 χρόνια τϊρα θ Kombi ζχει εδραιωκεί ωσ ζνα από τα πιο δυναμικά ςυγκροτήματα ςτον τομζα τθσ

Διαβάστε περισσότερα

Καλϊσ Θλκατε ςτο νζο μασ site & e-shop Livardas.gr.

Καλϊσ Θλκατε ςτο νζο μασ site & e-shop Livardas.gr. Καλϊσ Θλκατε ςτο νζο μασ site & e-shop Livardas.gr. Εικόνα 1: Είςοδοσ ςτο e-shop Για να καταχωριςετε παραγγελία ι να βλζπετε τιμζσ & διακεςιμότθτα προϊόντων το πρϊτο βιμα που πρζπει να κάνετε είναι να

Διαβάστε περισσότερα

Slide 1. Εισαγωγή στη ψυχρομετρία

Slide 1. Εισαγωγή στη ψυχρομετρία Slide 1 Εισαγωγή στη ψυχρομετρία 1 Slide 2 Σφντομη ειςαγωγή ςτη ψυχρομετρία. Διάγραμμα Mollier (πίεςησ-ενθαλπίασ P-H) Σο διάγραμμα Mollier είναι μία γραφικι παράςταςθ ςε ζναν άξονα ςυντεταγμζνων γραμμϊν

Διαβάστε περισσότερα

Δια-γενεακι κινθτικότθτα

Δια-γενεακι κινθτικότθτα Δια-γενεακι κινθτικότθτα Κατά κανόνα οι τρζχουςεσ επιλογζσ των ατόμων ζχουν ςυνζπειεσ ςτο μζλλον (δυναμικι ςχζςθ). Σε ότι αφορά τισ επιλογζσ των ατόμων ςε ςχζςθ με τθν εκπαίδευςθ γνωρίηουμε ότι τα άτομα

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Α Γυμνασίου

ΜΑΘΗΜΑΤΙΚΑ Α Γυμνασίου ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΚΑΙ ΠΟΛΙΤΙΣΜΟΥ ΜΑΘΗΜΑΤΙΚΑ Α Γυμνασίου Ενότητα 1β: Ισότητα - Εξίσωση ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΥΠΗΡΕΣΙΑ ΑΝΑΠΤΥΞΗΣ ΠΡΟΓΡΑΜΜΑΤΩΝ ΜΑΘΗΜΑΤΙΚΑ Α Γυμνασίου Ενότητα 1β: Ισότητα - Εξίσωση Συγγραφή:

Διαβάστε περισσότερα

Εξοικονόμηςη ςτην πράξη : Αντικατάςταςη ςυςτήματοσ θζρμανςησ από πετρζλαιο ςε αντλία θερμότητασ. Ενδεικτικό παράδειγμα 15ετίασ

Εξοικονόμηςη ςτην πράξη : Αντικατάςταςη ςυςτήματοσ θζρμανςησ από πετρζλαιο ςε αντλία θερμότητασ. Ενδεικτικό παράδειγμα 15ετίασ Εξοικονόμηςη ςτην πράξη : Αντικατάςταςη ςυςτήματοσ θζρμανςησ από πετρζλαιο ςε αντλία θερμότητασ Ενδεικτικό παράδειγμα 15ετίασ Οκτώβριοσ 2013 Η αντλία κερμότθτασ 65% οικονομία ςε ςχζςη με ζνα ςυμβατικό

Διαβάστε περισσότερα

Γ' ΛΥΚΕΙΟΥ Η ΤΑΞΗ ΤΗΣ ΤΕΛΙΚΗΣ ΕΠΙΛΟΓΗΣ. Στθ ΓϋΛυκείου οι Ομάδεσ Προςανατολιςμοφ είναι τρεισ:

Γ' ΛΥΚΕΙΟΥ Η ΤΑΞΗ ΤΗΣ ΤΕΛΙΚΗΣ ΕΠΙΛΟΓΗΣ. Στθ ΓϋΛυκείου οι Ομάδεσ Προςανατολιςμοφ είναι τρεισ: Γ' ΛΥΚΕΙΟΥ Η ΤΑΞΗ ΤΗΣ ΤΕΛΙΚΗΣ ΕΠΙΛΟΓΗΣ Στθ ΓϋΛυκείου οι Ομάδεσ Προςανατολιςμοφ είναι τρεισ: 1. Ομάδα Ανκρωπιςτικών Σπουδών 2. Ομάδα Οικονομικών, Πολιτικών, Κοινωνικών & Παιδαγωγικών Σπουδών 3. Ομάδα Θετικών

Διαβάστε περισσότερα

Δείκτησ Αξιολόγηςησ 1.1: χολικόσ χώροσ, υλικοτεχνική υποδομή και οικονομικοί πόροι

Δείκτησ Αξιολόγηςησ 1.1: χολικόσ χώροσ, υλικοτεχνική υποδομή και οικονομικοί πόροι Δείκτησ Αξιολόγηςησ 1.1: χολικόσ χώροσ, υλικοτεχνική υποδομή και οικονομικοί πόροι ΣΟΜΕΑ 1: ΜΕΑ ΚΑΙ ΠΟΡΟΙ ΔΕΔΟΜΕΝΑ ΣΟΤ ΧΟΛΕΙΟΤ Περιγραφή: Ο ςυγκεκριμζνοσ δείκτθσ αναφζρεται ςτον βακμό που οι υπάρχοντεσ

Διαβάστε περισσότερα

ΠΟΙΟΣΗΣΑ ΣΩΝ ΝΕΡΩΝ ΚΟΛΤΜΒΗΗ ΣΗΝ ΕΛΛΑΔΑ

ΠΟΙΟΣΗΣΑ ΣΩΝ ΝΕΡΩΝ ΚΟΛΤΜΒΗΗ ΣΗΝ ΕΛΛΑΔΑ Ειδική Γραμματεία Τδάτων ΠΟΙΟΣΗΣΑ ΣΩΝ ΝΕΡΩΝ ΚΟΛΤΜΒΗΗ ΣΗΝ ΕΛΛΑΔΑ Έτοσ αναφοράσ 2010 Μάιοσ 2011 ΠΟΙΟΣΗΣΑ ΝΕΡΩΝ ΚΟΛΤΜΒΗΗ ΣΗΝ ΕΛΛΑΔΑ ΕΣΟ ΑΝΑΦΟΡΑ 2010 Ε Ι Α Γ Ω Γ Ι Κ Α Σ Ο Ι Χ Ε Ι Α Η ποιότθτα των υδάτων κολφμβθςθσ

Διαβάστε περισσότερα

Εκπαιδευτικό Εργαςτιριο:

Εκπαιδευτικό Εργαςτιριο: Εκπαιδευτικό Εργαςτιριο: «Βζλτιςτεσ Πρακτικζσ Ποιότθτασ τθσ 7 θσ ΥΠΕ Κριτθσ» Τίτλοσ Ειςιγθςθσ: «Ποιότθτα ςτισ Υπθρεςίεσ Υγείασ: Προοπτικζσ Βελτίωςθσ Παρεχόμενων Υπθρεςιϊν ςτο Γενικό Νοςοκομείο Χανίων»

Διαβάστε περισσότερα

Μθχανικι Μάκθςθ Μάκθμα 1 Βαςικζσ ζννοιεσ

Μθχανικι Μάκθςθ Μάκθμα 1 Βαςικζσ ζννοιεσ Μθχανικι Μάκθςθ Μάκθμα 1 Βαςικζσ ζννοιεσ Κϊςτασ Διαμαντάρασ Σμιμα Πλθροφορικισ ΣΕΙ Θεςςαλονίκθσ 1 τοιχεία επικοινωνίασ Κϊςτασ Διαμαντάρασ Σθλ. 2310 013592 Email: kdiamant@it.teithe.gr http://www.it.teithe.gr/~kdiamant/

Διαβάστε περισσότερα

Siemens Set Αςφρματο ςφςτθμα αυτονομίασ κζρμανςθσ-κατανομισ δαπανϊν

Siemens Set Αςφρματο ςφςτθμα αυτονομίασ κζρμανςθσ-κατανομισ δαπανϊν Το Siemens SET προςφζρει: Άνεςθ και εξοικονόμθςθ ενζργειασ ζωσ και 40%. Δίκαιθ κατανομι δαπανών βάςθ τθσ πραγματικισ καταναλιςκόμενθσ ενζργειασ. Ο κάκε ζνοικοσ ενεργοποιεί τθν κζρμανςθ ςτο χώρο του όποτε

Διαβάστε περισσότερα

Ανάλυςη των επιλεγμζνων Επιχειρηςιακϊν Προγραμμάτων ςτο πλαίςιο του SURF-NATURE

Ανάλυςη των επιλεγμζνων Επιχειρηςιακϊν Προγραμμάτων ςτο πλαίςιο του SURF-NATURE Ανάλυςη των επιλεγμζνων Επιχειρηςιακϊν Προγραμμάτων ςτο πλαίςιο του SURF-NATURE Περίληψη Η βιοποικιλότθτα ζχει αλλάξει δραματικά τα τελευταία 50 χρόνια ςυγκριτικά με τισ αλλαγζσ που παρατθροφνται ςε όλθ

Διαβάστε περισσότερα

Παράςταςη ςυμπλήρωμα ωσ προσ 1

Παράςταςη ςυμπλήρωμα ωσ προσ 1 Δρ. Χρήστος Ηλιούδης Θζματα διάλεξησ ΣΤ1 Προςθεςη αφαίρεςη ςτο ΣΤ1 2 ή ΣΤ1 Ονομάηουμε ςυμπλιρωμα ωσ προσ μειωμζνθ βάςθ R ενόσ μθ προςθμαςμζνου αρικμοφ Χ = ( Χ θ-1 Χ θ-2... Χ 0 ) R ζναν άλλον αρικμό Χ'

Διαβάστε περισσότερα

ΑΣΛΑΝΣΙΚΗ ΕΝΩΗ ΠΑΝΕΤΡΩΠΑΪΚΟ STRESS TEST ΑΦΑΛΙΣΙΚΩΝ ΕΣΑΙΡΙΩΝ ΑΠΟΣΕΛΕΜΑΣΑ 2014

ΑΣΛΑΝΣΙΚΗ ΕΝΩΗ ΠΑΝΕΤΡΩΠΑΪΚΟ STRESS TEST ΑΦΑΛΙΣΙΚΩΝ ΕΣΑΙΡΙΩΝ ΑΠΟΣΕΛΕΜΑΣΑ 2014 ΑΣΛΑΝΣΙΚΗ ΕΝΩΗ ΠΑΝΕΤΡΩΠΑΪΚΟ STRESS TEST ΑΦΑΛΙΣΙΚΩΝ ΕΣΑΙΡΙΩΝ ΑΠΟΣΕΛΕΜΑΣΑ 2014 τθ διάρκεια του τρζχοντοσ ζτουσ εξελίχκθκε θ ευρωπαϊκι άςκθςθ προςομοίωςθσ ακραίων καταςτάςεων για τισ Αςφαλιςτικζσ Εταιρίεσ

Διαβάστε περισσότερα

EUROPEAN TRADESMAN PROJECT NOTES ON ELECTRICAL TESTS OF ELECTRICAL INSTALLATIONS ΜΟΝΙΜΑ ΕΓΚΑΣΕΣΗΜΕΝΕ ΤΚΕΤΕ

EUROPEAN TRADESMAN PROJECT NOTES ON ELECTRICAL TESTS OF ELECTRICAL INSTALLATIONS ΜΟΝΙΜΑ ΕΓΚΑΣΕΣΗΜΕΝΕ ΤΚΕΤΕ EUROPEAN TRADESMAN PROJECT NOTES ON ELECTRICAL TESTS OF ELECTRICAL INSTALLATIONS ΜΟΝΙΜΑ ΕΓΚΑΣΕΣΗΜΕΝΕ ΤΚΕΤΕ ΠΡΟΛΟΓΟ ΜΟΝΙΜΑ ΕΓΚΑΣΕΣΗΜΕΝΕ ΤΚΕΤΕ Κατά τθν διάρκεια των τελευταίων χρόνων, ζχει αυξθκεί ο αρικμόσ

Διαβάστε περισσότερα

Νικόλαοσ Μ. Σαλτερισ Σχολικόσ Σφμβουλοσ Δ.Ε. Δρ. Πολιτικισ Επιςτιμθσ και Ιςτορίασ Μζλοσ ΔΣ Πανελλινιασ Ζνωςθσ Σχολικϊν Συμβοφλων

Νικόλαοσ Μ. Σαλτερισ Σχολικόσ Σφμβουλοσ Δ.Ε. Δρ. Πολιτικισ Επιςτιμθσ και Ιςτορίασ Μζλοσ ΔΣ Πανελλινιασ Ζνωςθσ Σχολικϊν Συμβοφλων Νικόλαοσ Μ. Σαλτερισ Σχολικόσ Σφμβουλοσ Δ.Ε. Δρ. Πολιτικισ Επιςτιμθσ και Ιςτορίασ Μζλοσ ΔΣ Πανελλινιασ Ζνωςθσ Σχολικϊν Συμβοφλων Δομι ειςιγθςθσ Επιςτθμονικζσ Προςεγγίςεισ τθσ Αξιολόγθςθσ ςτθν Εκπαίδευςθ

Διαβάστε περισσότερα

ΟΔΗΓΙΕ ΓΙΑ ΣΗΝ ΕΙΑΓΩΓΗ ΕΚΔΡΟΜΩΝ & ΝΕΩΝ - ΑΝΑΚΟΙΝΩΕΩΝ ΣΗΝ ΙΣΟΕΛΙΔΑ ΣΗ Δ.Δ.Ε. ΘΕΠΡΩΣΙΑ

ΟΔΗΓΙΕ ΓΙΑ ΣΗΝ ΕΙΑΓΩΓΗ ΕΚΔΡΟΜΩΝ & ΝΕΩΝ - ΑΝΑΚΟΙΝΩΕΩΝ ΣΗΝ ΙΣΟΕΛΙΔΑ ΣΗ Δ.Δ.Ε. ΘΕΠΡΩΣΙΑ ΟΔΗΓΙΕ ΓΙΑ ΣΗΝ ΕΙΑΓΩΓΗ ΕΚΔΡΟΜΩΝ & ΝΕΩΝ - ΑΝΑΚΟΙΝΩΕΩΝ ΣΗΝ ΙΣΟΕΛΙΔΑ ΣΗ Δ.Δ.Ε. ΘΕΠΡΩΣΙΑ ΕΙΑΓΩΓΗ Ο νζοσ δικτυακόσ τόποσ τθσ Δ.Δ.Ε. Θεςπρωτίασ παρζχει πλζον τθ δυνατότθτα τθσ καταχϊρθςθσ νζων, ειδιςεων και

Διαβάστε περισσότερα

ΟΡΟΙΑΔΗΡΟΤΕ ΕΡΙΣΚΕΥΗ ΤΗΣ ΣΥΣΚΕΥΗΣ ΡΟΥ ΑΡΑΙΤΕΙ ΑΦΑΙΕΣΗ ΚΑΛΥΜΜΑΤΩΝ ΡΕΡΕΙ ΝΑ ΕΚΤΕΛΕΙΤΑΙ ΑΡΠ ΕΞΟΥΣΙΟΔΟΤΗΜΕΝΟ ΤΕΧΝΙΚΟ ΡΟΣΩΡΙΚΟ.

ΟΡΟΙΑΔΗΡΟΤΕ ΕΡΙΣΚΕΥΗ ΤΗΣ ΣΥΣΚΕΥΗΣ ΡΟΥ ΑΡΑΙΤΕΙ ΑΦΑΙΕΣΗ ΚΑΛΥΜΜΑΤΩΝ ΡΕΡΕΙ ΝΑ ΕΚΤΕΛΕΙΤΑΙ ΑΡΠ ΕΞΟΥΣΙΟΔΟΤΗΜΕΝΟ ΤΕΧΝΙΚΟ ΡΟΣΩΡΙΚΟ. UND1448R 1 ΟΔΗΓΙΕΣ ΑΣΦΑΛΕΙΑΣ 1) ΠΡΟΕΙΔΟΠΟΙΗΗ Αφιςτε αρκετά ανοίγματα για τον ςωςτό εξαεριςμό τθσ ςυςκευισ. 2) ΠΡΟΕΙΔΟΠΟΙΗΗ Μθν χρθςιμοποιείτε μθχανικζσ διατάξεισ ι άλλα μζςα για να επιταχφνετε τθν διαδικαςία

Διαβάστε περισσότερα

ΜΙΑ ΡΕΑΛΙΣΙΚΗ ΣΕΧΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΗ ΠΡΟΕΓΓΙΗ ΣΗΝ ΔΗΜΙΟΤΡΓΙΑ - ΟΡΓΑΝΩΗ ΕΡΓΑΣΗΡΙΩΝ ΔΙΑΚΡΙΒΩΗ

ΜΙΑ ΡΕΑΛΙΣΙΚΗ ΣΕΧΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΗ ΠΡΟΕΓΓΙΗ ΣΗΝ ΔΗΜΙΟΤΡΓΙΑ - ΟΡΓΑΝΩΗ ΕΡΓΑΣΗΡΙΩΝ ΔΙΑΚΡΙΒΩΗ 3 ο ΤΑΚΤΙΚΟ ΕΘΝΙΚΟ ΣΥΝΕΔΡΙΟ ΜΕΤΡΟΛΟΓΙΑΣ ΜΙΑ ΡΕΑΛΙΣΙΚΗ ΣΕΧΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΗ ΠΡΟΕΓΓΙΗ ΣΗΝ ΔΗΜΙΟΤΡΓΙΑ - ΟΡΓΑΝΩΗ ΕΡΓΑΣΗΡΙΩΝ ΔΙΑΚΡΙΒΩΗ 06 Φεβρουαρίου 2010 θμεία Αναφοράσ Γενικά Ανκρϊπινοι Πόροι, Εργαςτθριακόσ

Διαβάστε περισσότερα

Περιφερειακό Ψθφιακό Αποκετιριο: Ανοικτά Δεδομζνα και Επιχειρθματικότθτα. Γ. Φραγκιαδάκθσ Κζντρο Επικοινωνιϊν και Δικτφων Πανεπιςτιμιο Κριτθσ

Περιφερειακό Ψθφιακό Αποκετιριο: Ανοικτά Δεδομζνα και Επιχειρθματικότθτα. Γ. Φραγκιαδάκθσ Κζντρο Επικοινωνιϊν και Δικτφων Πανεπιςτιμιο Κριτθσ Περιφερειακό Ψθφιακό Αποκετιριο: Ανοικτά Δεδομζνα και Επιχειρθματικότθτα Γ. Φραγκιαδάκθσ Κζντρο Επικοινωνιϊν και Δικτφων Πανεπιςτιμιο Κριτθσ Περιφερειακό υμβοφλιο Καινοτομίασ Κριτθσ Σο ΠΚΚ αποτελείται

Διαβάστε περισσότερα

Τεχνικι Παρουςιάςεων με PowerPoint

Τεχνικι Παρουςιάςεων με PowerPoint Τεχνικι Παρουςιάςεων με PowerPoint Δρ. Παφλοσ Θεοδϊρου Ανϊτατθ Εκκλθςιαςτικι Ακαδθμία Ηρακλείου Κριτθσ Περιεχόμενα Ειςαγωγι Γιατί πρζπει να γίνει παρουςίαςθ τθσ εργαςίασ μου Βαςικι προετοιμαςία Δομι παρουςίαςθσ

Διαβάστε περισσότερα

Internet a jeho role v našem životě Το Διαδίκτυο και ο ρόλοσ του ςτθ ηωι μασ

Internet a jeho role v našem životě Το Διαδίκτυο και ο ρόλοσ του ςτθ ηωι μασ Internet a jeho role v našem životě Το Διαδίκτυο και ο ρόλοσ του ςτθ ηωι μασ Διαδίκτυο: μια πόρτα ςτον κόςμο Πϊσ μπορεί κανείσ ςε λίγα λεπτά να μάκει ποιεσ ταινίεσ παίηονται ςτουσ κινθματογράφουσ, να ςτείλει

Διαβάστε περισσότερα

ΕΓΚΑΤΑΣΤΑΣΕΙΣ ΚΛΙΜΑΤΙΣΜΟΥ ΙΙ

ΕΓΚΑΤΑΣΤΑΣΕΙΣ ΚΛΙΜΑΤΙΣΜΟΥ ΙΙ ΕΓΚΑΤΑΣΤΑΣΕΙΣ ΚΛΙΜΑΤΙΣΜΟΥ ΙΙ μέρος Α ΚΟΝΤΟΣ ΟΔΥΣΣΕΑΣ ΠΕ12.04 1 ΚΜ: Κλιματιςτικι μονάδα Ορολογία ΚΚΜ: Κεντρικι κλιματιςτικι μονάδα ΗΚΜ: Ημικεντρικι κλιματιςτικι μονάδα ΤΚΜ: Σοπικι κλιματιςτικι μονάδα Δίκτυο

Διαβάστε περισσότερα

assessment.gr USER S MANUAL (users)

assessment.gr USER S MANUAL (users) assessment.gr USER S MANUAL (users) Human Factor January 2010 Περιεχόμενα 1. Γενικζσ οδθγίεσ ςυςτιματοσ... 3 1.1 Αρχικι ςελίδα... 3 1.2 Ερωτθματολόγια... 6 1.2.1 Τεςτ Γνϊςεων Γενικοφ Ρεριεχομζνου... 6

Διαβάστε περισσότερα

ΕΓΚΑΣΑΣΑΕΙ ΚΛΙΜΑΣΙΜΟΤ ΙΙ ΚΟΝΤΟΣ ΟΔΥΣΣΕΑΣ ΠΕ12.04

ΕΓΚΑΣΑΣΑΕΙ ΚΛΙΜΑΣΙΜΟΤ ΙΙ ΚΟΝΤΟΣ ΟΔΥΣΣΕΑΣ ΠΕ12.04 ΕΓΚΑΣΑΣΑΕΙ ΚΛΙΜΑΣΙΜΟΤ ΙΙ ΚΟΝΤΟΣ ΟΔΥΣΣΕΑΣ ΠΕ12.04 1 Κανόνασ: Χειμϊνασ οι κερμότθτασ από το χϊρο ςτο περιβάλλον Θερμικζσ απϊλειεσ Αναπλθρϊνονται από τισ κερμαντικζσ ςυςκευζσ (αερόκερμα, κερμαντικά ςϊματα

Διαβάστε περισσότερα

ΡΟΓΑΜΜΑΤΙΣΤΙΚΟ ΡΕΙΒΑΛΛΟΝ MICRO WORLDS PRO

ΡΟΓΑΜΜΑΤΙΣΤΙΚΟ ΡΕΙΒΑΛΛΟΝ MICRO WORLDS PRO ΡΟΓΑΜΜΑΤΙΣΤΙΚΟ ΡΕΙΒΑΛΛΟΝ MICRO WORLDS PRO Το Micro Worlds Pro είναι ζνα ολοκλθρωμζνο περιβάλλον προγραμματιςμοφ. Χρθςιμοποιεί τθ γλϊςςα προγραμματιςμοφ Logo (εξελλθνιςμζνθ) Το Micro Worlds Pro περιλαμβάνει

Διαβάστε περισσότερα

ΑΠΑΝΣΗΕΙ ΒΙΟΛΟΓΙΑ ΓΕΝΙΚΗ ΠΑΙΔΕΙΑ ΣΕΣΑΡΣΗ 20 ΜΑΪΟΤ 2015

ΑΠΑΝΣΗΕΙ ΒΙΟΛΟΓΙΑ ΓΕΝΙΚΗ ΠΑΙΔΕΙΑ ΣΕΣΑΡΣΗ 20 ΜΑΪΟΤ 2015 ΑΠΑΝΣΗΕΙ ΒΙΟΛΟΓΙΑ ΓΕΝΙΚΗ ΠΑΙΔΕΙΑ ΘΕΜΑ Α ΣΕΣΑΡΣΗ 20 ΜΑΪΟΤ 2015 Α1. - γ. ςφφιλθ Α2. - α. ερυκρόσ μυελόσ των οςτών Α3. - β. εντομοκτόνο Α4. - β. καταναλωτζσ 1θσ τάξθσ Α5. - δ. μία οικογζνεια ΘΕΜΑ Β Β1. 1.

Διαβάστε περισσότερα

e-academy 2015-2016 e-commerce Project Manager

e-academy 2015-2016 e-commerce Project Manager e-academy 2015-2016 e-commerce Project Manager 1. Intro to ecommerce Μάκετε ςε αυτι τθν ενότθτα τισ βαςικζσ ζννοιεσ και αρχζσ του ecommerce και αποκτιςτε τισ βαςικζσ γνϊςεισ για τον τρόπο λειτουργίασ τθσ

Διαβάστε περισσότερα

Θεςιακά ςυςτιματα αρίκμθςθσ

Θεςιακά ςυςτιματα αρίκμθςθσ Θεςιακά ςυςτιματα αρίκμθςθσ Δρ. Χρήστος Ηλιούδης αρικμθτικό ςφςτθμα αρίκμθςθσ (Number System) Αξία (value) παράςταςθ Οι αξίεσ (π.χ. το βάροσ μιασ ποςότθτασ μιλων) μποροφν να παραςτακοφν με πολλοφσ τρόπουσ

Διαβάστε περισσότερα

Διδάςκων: Κωνςταντίνοσ τεφανίδθσ

Διδάςκων: Κωνςταντίνοσ τεφανίδθσ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ ΧΟΛΗ ΘΕΣΙΚΩΝ ΕΠΙΣΗΜΩΝ ΣΜΗΜΑ ΕΠΙΣΗΜΗ ΤΠΟΛΟΓΙΣΩΝ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗ ΗΤ-564 ΠΡΟΧΩΡΗΜΕΝΑ ΘΕΜΑΣΑ ΕΠΙΚΟΙΝΩΝΙΑ ΑΝΘΡΩΠΟΤ - ΜΗΧΑΝΗ Διδάςκων: Κωνςταντίνοσ τεφανίδθσ τόχοσ τθσ ςυγκεκριμζνθσ εργαςίασ

Διαβάστε περισσότερα

Διαγωνιςμόσ "Μακθτζσ ςτθν Ζρευνα (ΜΕΡΑ) 2011-2012"

Διαγωνιςμόσ Μακθτζσ ςτθν Ζρευνα (ΜΕΡΑ) 2011-2012 Διαγωνιςμόσ "Μακθτζσ ςτθν Ζρευνα (ΜΕΡΑ) 2011-2012" Ο Διαγωνιςμόσ «ΜΕΡΑ» προκθρφςςεται από το 2001 ςε ετιςια βάςθ, ωσ αποτζλεςμα τθσ διαπίςτωςθσ ότι θ καλλιζργεια πνεφματοσ δθμιουργικότθτασ και πρωτοβουλίασ

Διαβάστε περισσότερα

Εγχειρίδιο Χριςθσ τθσ διαδικτυακισ εφαρμογισ «Υποβολι και παρακολοφκθςθ τθσ ζγκριςθσ Εκπαιδευτικών Πακζτων»

Εγχειρίδιο Χριςθσ τθσ διαδικτυακισ εφαρμογισ «Υποβολι και παρακολοφκθςθ τθσ ζγκριςθσ Εκπαιδευτικών Πακζτων» Εγχειρίδιο Χριςθσ τθσ διαδικτυακισ εφαρμογισ «Υποβολι και παρακολοφκθςθ τθσ ζγκριςθσ Εκπαιδευτικών Πακζτων» Το Πλθροφοριακό Σφςτθμα τθσ δράςθσ «e-κπαιδευτείτε» ζχει ςτόχο να αυτοματοποιιςει τισ ακόλουκεσ

Διαβάστε περισσότερα

Siemens Set, Αςφρματο ςφςτθμα αυτονομίασ κζρμανςθσ, κατανομισ δαπανϊν. Αυτονομία διςωλθνίων ςυςτθμάτων, κατανομι δαπανϊν

Siemens Set, Αςφρματο ςφςτθμα αυτονομίασ κζρμανςθσ, κατανομισ δαπανϊν. Αυτονομία διςωλθνίων ςυςτθμάτων, κατανομι δαπανϊν Siemens Set, Αςφρματο ςφςτθμα αυτονομίασ κζρμανςθσ, Ο αςφρματοσ κερμιδομετρθτισ (1) προςαρμόηεται με ειδικό μοχλιςμό ςτιριξθσ επάνω ςτο κερμαντικό ςϊμα, χωρίσ να τρυπάει το ςϊμα και χωρίσ να μπορεί να

Διαβάστε περισσότερα

ΕΞΟΙΚΟΝΟΜΘΘ ΝΕΡΟΤ!!!!

ΕΞΟΙΚΟΝΟΜΘΘ ΝΕΡΟΤ!!!! ΕΞΟΙΚΟΝΟΜΘΘ ΝΕΡΟΤ!!!! Χωρίσ νερό δεν μπορεί να υπάρξει ανκρϊπινθ ηωι! Ζνασ μζςοσ άνκρωποσ μπορεί να αντζξει χωρίσ τροφι 2 μινεσ, ενϊ χωρίσ νερό μόνο 2-3 μζρεσ. Αν ο ανκρϊπινοσ οργανιςμόσ χάςει μεγάλθ ποςότθτα

Διαβάστε περισσότερα

Megatron ERP Βάςη δεδομζνων Π/Φ - κατηγοριοποίηςη Databox

Megatron ERP Βάςη δεδομζνων Π/Φ - κατηγοριοποίηςη Databox Megatron ERP Βάςη δεδομζνων Π/Φ - κατηγοριοποίηςη Databox 03 05 ΙΛΤΔΑ ΠΛΗΡΟΦΟΡΙΚΗ Α.Ε. αρμά Ιηαμπζλλα Βαρλάμθσ Νίκοσ Ειςαγωγι... 1 Σι είναι το Databox...... 1 Πότε ανανεϊνεται...... 1 Μπορεί να εφαρμοςτεί

Διαβάστε περισσότερα

Ο ήχοσ ωσ φυςικό φαινόμενο

Ο ήχοσ ωσ φυςικό φαινόμενο Ο ήχοσ ωσ φυςικό φαινόμενο Φφλλο Εργαςίασ Ονοματεπώνυμο. Παραγωγή και διάδοςη του ήχου Ήχοσ παράγεται όταν τα ςωματίδια κάποιου υλικοφ μζςου αναγκαςκοφν να εκτελζςουν ταλάντωςθ. Για να διαδοκεί ο ιχοσ

Διαβάστε περισσότερα

Δθμόςια Διαβοφλευςθ αναφορικά με τθν Τροποποίθςθ και Κωδικοποίθςθ τθσ Απόφαςθσ τθσ ΕΕΤΤ ΑΠ. 480/017/13-05-2008

Δθμόςια Διαβοφλευςθ αναφορικά με τθν Τροποποίθςθ και Κωδικοποίθςθ τθσ Απόφαςθσ τθσ ΕΕΤΤ ΑΠ. 480/017/13-05-2008 COMPUTERS, SOFTWARE / HARDWARE Λ. Βεϊκου 62 & Φαρρϊν 4 Γαλάτςι Τ.Κ. 11147 Τθλ: 210-2136815 / 2138228 Fax: 210-2136816 Email: info@info-world.gr web: www.info-world.gr Δθμόςια Διαβοφλευςθ αναφορικά με τθν

Διαβάστε περισσότερα

υνδζςου με το μζλλον ΤΝΔΕΜΟ ΕΣΑΙΡΙΩΝ ΦΩΣΟΒΟΛΣΑΪΚΩΝ

υνδζςου με το μζλλον ΤΝΔΕΜΟ ΕΣΑΙΡΙΩΝ ΦΩΣΟΒΟΛΣΑΪΚΩΝ υνδζςου με το μζλλον net-metering ΤΝΔΕΜΟ ΕΣΑΙΡΙΩΝ ΦΩΣΟΒΟΛΣΑΪΚΩΝ net-metering ςτθ Ελλάδα Σο net-metering ι αλλιϊσ θ αυτοπαραγωγι επιτρζπει πλζον ςτον Ζλλθνα καταναλωτι να παράγει τθν θλεκτρικι ενζργεια

Διαβάστε περισσότερα

ΟΝΟΜΑΣΟΛΟΓΙΑ ΠΑΡΑΜΕΣΡΩΝ ΓΙΑ ΠΡΟΑΡΜΟΜΕΝΕ ΑΝΑΦΟΡΕ. @XXX@_<όνομα παραμζτρου> (Εμφανίηεται ςαν Caption ςτθν φόρμα των φίλτρων).

ΟΝΟΜΑΣΟΛΟΓΙΑ ΠΑΡΑΜΕΣΡΩΝ ΓΙΑ ΠΡΟΑΡΜΟΜΕΝΕ ΑΝΑΦΟΡΕ. @XXX@_<όνομα παραμζτρου> (Εμφανίηεται ςαν Caption ςτθν φόρμα των φίλτρων). ΟΝΟΜΑΣΟΛΟΓΙΑ ΠΑΡΑΜΕΣΡΩΝ ΓΙΑ ΠΡΟΑΡΜΟΜΕΝΕ ΑΝΑΦΟΡΕ. @XXX@_ (Εμφανίηεται ςαν Caption ςτθν φόρμα των φίλτρων). Βαςικοί παράμετροι @EDT@_ @CHK@_ @CXD@_ @CXDC@_ @CMB@_ @CHKLB@_ Παράμετροσ που

Διαβάστε περισσότερα

ΟΔΗΓΟ ΛΗΨΗ ΣΗ ΤΠΗΡΕΙΑ EDCAST

ΟΔΗΓΟ ΛΗΨΗ ΣΗ ΤΠΗΡΕΙΑ EDCAST ΟΔΗΓΟ ΛΗΨΗ ΣΗ ΤΠΗΡΕΙΑ EDCAST 1 1.1 Ειςαγωγό Για να λάβετε τα δεδομζνα του Τπ. Παιδείασ μζςω του επίγειου ψθφιακοφ ςιματοσ τθσ ΝΕΡΙΣ κα πρζπει, εάν δεν διακζτετε ιδθ, να προμθκευτείτε, να εγκαταςτιςετε

Διαβάστε περισσότερα

Δομικά Προϊόντα και Μεταλλικζσ Καταςκευζσ Δφο παραδοςιακοί τομείσ ςε αναηιτθςθ νζων προϊόντων και αγορϊν

Δομικά Προϊόντα και Μεταλλικζσ Καταςκευζσ Δφο παραδοςιακοί τομείσ ςε αναηιτθςθ νζων προϊόντων και αγορϊν Δομικά Προϊόντα και Μεταλλικζσ Καταςκευζσ Δφο παραδοςιακοί τομείσ ςε αναηιτθςθ νζων προϊόντων και αγορϊν Νζα δεδομζνα για τον τομζα δομικϊν προϊόντων Κυρίαρχθ επιλογι θ καινοτομία και οι εξαγωγζσ Είςοδοσ

Διαβάστε περισσότερα

Aux.Magazine Μπιλμπάο, Βιηκάγια, Ιςπανία www.auxmagazine.com Προςωπικά δεδομζνα

Aux.Magazine Μπιλμπάο, Βιηκάγια, Ιςπανία www.auxmagazine.com Προςωπικά δεδομζνα Προςωπικά δεδομζνα Η Λείρ Ναγιάλα, θ Σίλβια Αντρζσ, θ Χουάνα Γκαλβάν και θ Γερμάν Καςτανζντα δθμιοφργθςαν τθ δικι τουσ εταιρία, τθν AUXILIARTE FACTORIA το 2004. Ζχοντασ και ςυνειδθτοποίθςαν ότι μοιράηονταν

Διαβάστε περισσότερα

ΣΕΧΝΙΚΗ ΠΕΡΙΓΡΑΦΗ ΟΙΚΟΔΟΜΙΚΩΝ ΕΡΓΑΙΩΝ

ΣΕΧΝΙΚΗ ΠΕΡΙΓΡΑΦΗ ΟΙΚΟΔΟΜΙΚΩΝ ΕΡΓΑΙΩΝ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΜΑΚΕΔΟΝΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΣΠΟΥΔΩΝ ΔΙΕΤΘΤΝΗ ΣΕΧΝΙΚΩΝ ΕΡΓΩΝ ΣΜΗΜΑ ΠΡΟΓΡΑΜΜΑΣΙΜΟΤ - ΜΕΛΕΣΩΝ Ζργο : ΒΕΛΣΙΩΗ ΕΓΚΑΣΑΣΑΕΩΝ ΕΝΕΡΓΗΣΙΚΗ ΚΑΙ ΠΑΘΗΣΙΚΗ ΠΤΡΟΠΡΟΣΑΙΑ Θζςθ :

Διαβάστε περισσότερα

Ρομποτική. Η υγεία ςασ το αξίηει

Ρομποτική. Η υγεία ςασ το αξίηει Ρομποτική Μάκετε γριγορά και εφκολα ό τι χρειάηεται να ξζρετε για τισ λαπαροςκοπικζσ μεκόδουσ αντιμετϊπιςθσ γυναικολογικϊν πακιςεων Ενθμερωκείτε ςωςτά και υπεφκυνα Η υγεία ςασ το αξίηει Μζκοδοσ και πλεονεκτιματα

Διαβάστε περισσότερα

ΠΛΗΡΟΥΟΡΙΑΚΟ ΤΣΗΜΑ ΜΟΔΙΠ: Λειτουργικέσ Προδιαγραφέσ. Κλειώ Σγουροπούλου

ΠΛΗΡΟΥΟΡΙΑΚΟ ΤΣΗΜΑ ΜΟΔΙΠ: Λειτουργικέσ Προδιαγραφέσ. Κλειώ Σγουροπούλου ΠΛΗΡΟΥΟΡΙΑΚΟ ΤΣΗΜΑ ΜΟΔΙΠ: Λειτουργικέσ Προδιαγραφέσ Κλειώ Σγουροπούλου Η ταυτότητα του ςυςτήματοσ Απαίτθςθ ΑΔΙΠ Ανάπτυξθ υποδομϊν & εργαλείων για τθ διαχείριςθ και τθν, με ςυςτθματικό τρόπο, επεξεργαςία

Διαβάστε περισσότερα

Οδθγίεσ Χριςθσ. Ζκδοςθ v.01

Οδθγίεσ Χριςθσ. Ζκδοςθ v.01 Αιτήςεισ για τη χορήγηςη πετρελαίου θέρμανςησ περιόδου 2015-2016 Οδθγίεσ Χριςθσ Ζκδοςθ v.01 ΓΕΝΙΚΗ ΓΡΑΜΜΑΣΕΙΑ ΔΗΜΟΙΩΝ ΕΟΔΩΝ ΓΕΝΙΚΗ ΔΙΕΤΘΤΝΗ ΗΛΕΚΣΡΟΝΙΚΗ ΔΙΑΚΤΒΕΡΝΗΗ & ΑΝΘΡΩΠΙΝΟΤ ΔΤΝΑΜΙΚΟΤ ΔΙΕΤΘΤΝΗ ΗΛΕΚΣΡΟΝΙΚΗ

Διαβάστε περισσότερα

Ελλείψεισ: Μποροφμε να μειϊςουμε τισ ελλείψεισ ςτα ράφια κατά 30%;

Ελλείψεισ: Μποροφμε να μειϊςουμε τισ ελλείψεισ ςτα ράφια κατά 30%; Ελλείψεισ: Μποροφμε να μειϊςουμε τισ ελλείψεισ ςτα ράφια κατά 30%; Χριςτοσ Σςεντεμεΐδθσ Johnson & Johnson Ελλάσ Δρ. Δθμιτρθσ Παπακυριακόπουλοσ - Senior Researcher ELTRUN, Οικονομικό Πανεπιςτιμιο Ακθνϊν

Διαβάστε περισσότερα

Εκνικι Ημερίδα Ολοκλιρωςθσ Ζργου ELIH-MED

Εκνικι Ημερίδα Ολοκλιρωςθσ Ζργου ELIH-MED Εργαςίεσ Περιβαλλοντικισ Τραπεηικισ Εκνικι Ημερίδα Ολοκλιρωςθσ Ζργου ELIH-MED Χρθματοδοτικά Εργαλεία για τθν βελτίωςθ τθσ ενεργειακισ αποδοτικότθτασ Κόνςολασ Ιωάννθσ, Head, Εργαςίεσ Περιβαλλοντικισ Τραπεηικισ,

Διαβάστε περισσότερα

Ανάπτυξη Εφαρμογών Σε Προγραμματιςτικό Περιβάλλον

Ανάπτυξη Εφαρμογών Σε Προγραμματιςτικό Περιβάλλον Γραπτι Εξζταςθ ςτο μάκθμα Ανάπτυξη Εφαρμογών Σε Προγραμματιςτικό Περιβάλλον Όνομα: Επϊνυμο: Τμιμα: Ημερομθνία: 20/02/11 Θζμα 1 ο Α. Να χαρακτθρίςετε κακεμιά από τισ παρακάτω προτάςεισ ωσ Σωςτι (Σ) ι Λάκοσ

Διαβάστε περισσότερα

ΓΕΦΤΡΟΠΟΙΪΑ: ΜΟΝΙΜΑ ΚΑΙ ΚΙΝΗΣΑ ΦΟΡΣΙΑ. ΔΙΟΝΥΣΙΟΣ Ε. ΜΠΙΣΚΙΝΗΣ Τμήμα Πολιτικών Μηχανικών Τ.Ε. Τ.Ε.Ι. Δυτικής Ελλάδας

ΓΕΦΤΡΟΠΟΙΪΑ: ΜΟΝΙΜΑ ΚΑΙ ΚΙΝΗΣΑ ΦΟΡΣΙΑ. ΔΙΟΝΥΣΙΟΣ Ε. ΜΠΙΣΚΙΝΗΣ Τμήμα Πολιτικών Μηχανικών Τ.Ε. Τ.Ε.Ι. Δυτικής Ελλάδας 1 ΓΕΦΤΡΟΠΟΙΪΑ: ΜΟΝΙΜΑ ΚΑΙ ΚΙΝΗΣΑ ΦΟΡΣΙΑ ΔΙΟΝΥΣΙΟΣ Ε. ΜΠΙΣΚΙΝΗΣ Τμήμα Πολιτικών Μηχανικών Τ.Ε. Τ.Ε.Ι. Δυτικής Ελλάδας Μόνιμα Φορτία Ίδιον Βάροσ (για Οπλιςμζνο Σκυρόδεμα): g=25 KN/m 3 Σε οδικζσ γζφυρεσ πρζπει

Διαβάστε περισσότερα

The Weather Experts Team. Φεβρουάριοσ 2013

The Weather Experts Team. Φεβρουάριοσ 2013 1 Φεβρουάριοσ 2013 2 Οδηγίεσ για την ειδική πρόςβαςη ςτο WeatherExpert 1. Μζςω του browser του υπολογιςτι ςασ (π.χ. InternetExplorer, Mozilla Firefox κ.α.) ςυνδεκείτε ςτθν ιςτοςελίδα μασ : http://www.weatherexpert.gr

Διαβάστε περισσότερα

1 0 ΕΠΑΛ ΞΑΝΘΗ ΕΙΔΙΚΟΣΗΣΑ : ΗΛΕΚΣΡΟΝΙΚΩΝ ΕΙΔΙΚΗ ΘΕΜΑΣΙΚΗ ΕΡΓΑΙΑ Β ΗΛΕΚΣΡΟΝΙΚΩΝ ΘΕΜΑ : ΚΑΣΑΚΕΤΗ ΠΟΜΠΟΤ FM

1 0 ΕΠΑΛ ΞΑΝΘΗ ΕΙΔΙΚΟΣΗΣΑ : ΗΛΕΚΣΡΟΝΙΚΩΝ ΕΙΔΙΚΗ ΘΕΜΑΣΙΚΗ ΕΡΓΑΙΑ Β ΗΛΕΚΣΡΟΝΙΚΩΝ ΘΕΜΑ : ΚΑΣΑΚΕΤΗ ΠΟΜΠΟΤ FM 1 0 ΕΠΑΛ ΞΑΝΘΗ ΕΙΔΙΚΟΣΗΣΑ : ΗΛΕΚΣΡΟΝΙΚΩΝ ΕΙΔΙΚΗ ΘΕΜΑΣΙΚΗ ΕΡΓΑΙΑ Β ΗΛΕΚΣΡΟΝΙΚΩΝ ΘΕΜΑ : ΚΑΣΑΚΕΤΗ ΠΟΜΠΟΤ FM ΣΙ ΕΙΝΑΙ ΠΟΜΠΟ FM; Πρόκειται για μια θλεκτρονικι διάταξθ που ςκοπό ζχει τθν εκπομπι ραδιοςυχνότθτασ

Διαβάστε περισσότερα

Οδηγός χρήσης Blackboard Learning System για φοιτητές

Οδηγός χρήσης Blackboard Learning System για φοιτητές Οδηγός χρήσης Blackboard Learning System για φοιτητές Ειςαγωγή Το Blackboard Learning System είναι ζνα ολοκλθρωμζνο ςφςτθμα διαχείριςθσ μακθμάτων (Course Management System). Στισ δυνατότθτεσ του Blackboard

Διαβάστε περισσότερα

Οδηγόρ απχαπίων για ηην επιλογή μεηαξύ λέβηηα και θεπμοζίθωνα

Οδηγόρ απχαπίων για ηην επιλογή μεηαξύ λέβηηα και θεπμοζίθωνα Οδηγόρ απχαπίων για ηην επιλογή μεηαξύ λέβηηα και θεπμοζίθωνα Γιατί να μάκετε για τθν επιλογι λζβθτα; Για να ζχετε τθν καλφτερθ δυνατι λφςθ για το ςπίτι ςασ! ΠΕΡΙΕΧΟΜΕΝΑ 1. Ειςαγωγή 2. Είδη λζβητα υμβατικοί

Διαβάστε περισσότερα

Εγχειρίδιο Χριςθσ: Εφαρμογι Αιτιςεων για τα Εκπαιδευτικά Προγράμματα του Προςωπικοφ των Επιχειριςεων Τροφίμων

Εγχειρίδιο Χριςθσ: Εφαρμογι Αιτιςεων για τα Εκπαιδευτικά Προγράμματα του Προςωπικοφ των Επιχειριςεων Τροφίμων Εγχειρίδιο Χριςθσ: Εφαρμογι Αιτιςεων για τα Εκπαιδευτικά Προγράμματα του Προςωπικοφ των Επιχειριςεων ΕΚΔΟΣΗ 1.0 Περιεχόμενα Εφαρμογι Αιτιςεων για τα Εκπαιδευτικά Προγράμματα του Προςωπικοφ των Επιχειριςεων...

Διαβάστε περισσότερα

Στατιςτικζσ δοκιμζσ. Συνεχι δεδομζνα. Γεωργία Σαλαντι

Στατιςτικζσ δοκιμζσ. Συνεχι δεδομζνα. Γεωργία Σαλαντι Στατιςτικζσ δοκιμζσ Συνεχι δεδομζνα Γεωργία Σαλαντι Τι κζλουμε να ςυγκρίνουμε; Δφο δείγματα Μζςθ αρτθριακι πίεςθ ςε δφο ομάδεσ Πικανότθτα κανάτου με δφο διαφορετικά είδθ αντικατακλιπτικϊν Τθν μζςθ τιμι

Διαβάστε περισσότερα

Πρόγραμμα Προπτυχιακών πουδών (ΠΠ) Σμήματοσ «Διοίκηςησ Επιχειρήςεων» Πάτρασ, ΣΕΙ Δυτικήσ Ελλάδασ

Πρόγραμμα Προπτυχιακών πουδών (ΠΠ) Σμήματοσ «Διοίκηςησ Επιχειρήςεων» Πάτρασ, ΣΕΙ Δυτικήσ Ελλάδασ Πρόγραμμα Προπτυχιακών πουδών (ΠΠ) Σμήματοσ «Διοίκηςησ Επιχειρήςεων» Πάτρασ, ΣΕΙ Δυτικήσ Ελλάδασ Μαθήματα Τα ΠΠΣ περιλαμβάνει πενιντα ζνα (51) μακιματα, οργανωμζνα ωσ εξισ: Είκοςι τζςςερα (24) μακιματα

Διαβάστε περισσότερα

Νζεσ Τάςεισ ςτην εκπαιδευτική διαδικαςία: Gamification

Νζεσ Τάςεισ ςτην εκπαιδευτική διαδικαςία: Gamification Νζεσ Τάςεισ ςτην εκπαιδευτική διαδικαςία: Gamification Δρ. Παναγιϊτθσ Ζαχαριάσ Οικονομικό Πανεπιςτιμιο Ακθνϊν - 15/5/2014 Ημερίδα με κζμα: «Οικονομία τθσ Γνϊςθσ: Αξιοποίθςθ τθσ καινοτομίασ ςτθ Β Βάκμια

Διαβάστε περισσότερα

1. ΕΝΗΜΕΡΩΗ My Cosmos Email

1. ΕΝΗΜΕΡΩΗ My Cosmos Email 1. ΕΝΗΜΕΡΩΗ My Cosmos Email Η υπθρεςία My Cosmos Email αναβακμίηεται λειτουργικά και αιςκθτικά από Σετάρτθ 05 Νοεμβρίου 2014. Αυτό ςθμαίνει ότι το My Cosmos Email κα λειτουργεί ολοκλθρωμζνα μζςα από ζνα

Διαβάστε περισσότερα

Σόμοσ 3 Σεφχοσ 1 ΙΑΝ-ΑΠΡ 2015 ΜΑΛΑΞΗ & ΘΕΡΑΠΕΙΑ Σο μυαλό δεν χρηςιμοποιείται πραγματικά εάν δεν πράττει το καλό. A.T.Still Σόμοσ 3 Σεφχοσ 1

Σόμοσ 3 Σεφχοσ 1 ΙΑΝ-ΑΠΡ 2015 ΜΑΛΑΞΗ & ΘΕΡΑΠΕΙΑ Σο μυαλό δεν χρηςιμοποιείται πραγματικά εάν δεν πράττει το καλό. A.T.Still Σόμοσ 3 Σεφχοσ 1 Σόμοσ 3 Σεφχοσ 1 ΙΑΝ-ΑΠΡ 2015 ΜΑΛΑΞΗ & ΘΕΡΑΠΕΙΑ Επίςθμο Περιοδικό Όργανο του Ελ.Ι.Μ. Σο μυαλό δεν χρηςιμοποιείται πραγματικά εάν δεν πράττει το καλό. A.T.Still Σόμοσ 3 Σεφχοσ 1 ΠΕΡΙΕΧΟΜΕΝΑ 1 ΗΜΕΙΩΜΑ ΤΝΣΑΞΗ

Διαβάστε περισσότερα

Εγχειρίδιο: Honeybee Small

Εγχειρίδιο: Honeybee Small ΚΟΚΚΙΝΟΣ ΔΗΜΗΤΡΗΣ Τηλ/Fax: 20 993677 Άγιος Δημήτριος, Αττικής 73 42 Ν. Ζέρβα 29 e-mail: Kokkinos@kokkinostoys.gr www.kokkinostoys.gr Εγχειρίδιο: Honeybee Small HEYBEE SMALL CRANE MACHINE DIP SW 2 3 4 5

Διαβάστε περισσότερα

ΤΙΤΛΟΣ: "SWITCH-ΠΩ ΝΑ ΚΑΣΑΦΕΡΕΙ ΣΗΝ ΑΛΛΑΓΗ ΟΣΑΝ Η ΑΛΛΑΓΗ ΕΙΝΑΙ ΔΤΚΟΛΗ" Σσγγραφείς: Chip Heath & Dan Heath. Εκδόζεις: Κσριάκος Παπαδόποσλος/ΕΕΔΕ

ΤΙΤΛΟΣ: SWITCH-ΠΩ ΝΑ ΚΑΣΑΦΕΡΕΙ ΣΗΝ ΑΛΛΑΓΗ ΟΣΑΝ Η ΑΛΛΑΓΗ ΕΙΝΑΙ ΔΤΚΟΛΗ Σσγγραφείς: Chip Heath & Dan Heath. Εκδόζεις: Κσριάκος Παπαδόποσλος/ΕΕΔΕ ΤΙΤΛΟΣ: "SWITCH-ΠΩ ΝΑ ΚΑΣΑΦΕΡΕΙ ΣΗΝ ΑΛΛΑΓΗ ΟΣΑΝ Η ΑΛΛΑΓΗ ΕΙΝΑΙ ΔΤΚΟΛΗ" Σσγγραφείς: Chip Heath & Dan Heath Εκδόζεις: Κσριάκος Παπαδόποσλος/ΕΕΔΕ www.dimitrazervaki.com Περιεχόμενα ΣΡΕΙ ΑΝΑΠΑΝΣΕΧΕ ΔΙΑΠΙΣΩΕΙ

Διαβάστε περισσότερα

ΧΡΟΝΙΚΟ ΠΡΟΓΡΑΜΜΑΣΙΜΟ ΧΟΝΙΚΟΣ ΡΟΓΑΜΜΑΤΙΣΜΟΣ

ΧΡΟΝΙΚΟ ΠΡΟΓΡΑΜΜΑΣΙΜΟ ΧΟΝΙΚΟΣ ΡΟΓΑΜΜΑΤΙΣΜΟΣ ΧΡΟΝΙΚΟ ΠΡΟΓΡΑΜΜΑΣΙΜΟ ΧΟΝΙΚΟΣ ΡΟΓΑΜΜΑΤΙΣΜΟΣ 1 Συςτήματα Παραγωγήσ Θςμάζηε ηεν ηαξινόμεζε ηων ζςζηεμάηων παπαγωγήρ; Για κάκε κατθγορία ςυςτθμάτων, εκτόσ από το ςτρατθγικό πρόβλθμα του μακροπρόκεςμου ςχεδιαςμοφ

Διαβάστε περισσότερα

Joomla! - User Guide

Joomla! - User Guide Joomla! - User Guide τελευταία ανανέωση: 10/10/2013 από την ICAP WEB Solutions 1 Η καταςκευι τθσ δυναμικισ ςασ ιςτοςελίδασ ζχει ολοκλθρωκεί και μπορείτε πλζον να προχωριςετε ςε αλλαγζσ ι προςκικεσ όςον

Διαβάστε περισσότερα

Σαλτερήσ Νίκοσ Σχολικόσ Σύμβουλοσ Δημοτικήσ Εκπαίδευςησ

Σαλτερήσ Νίκοσ Σχολικόσ Σύμβουλοσ Δημοτικήσ Εκπαίδευςησ Σαλτερήσ Νίκοσ Σχολικόσ Σύμβουλοσ Δημοτικήσ Εκπαίδευςησ Ελάχιςτεσ κεωρθτικζσ διευκρινίςεισ Το Πρόγραμμα ΑΕΕ Σχ. Μονάδασ Η αυτοαξιολόγθςθ και εξωτερικι αξιολόγθςθ ςτθν Αγγλία Επιχειριματα κατά και υπζρ

Διαβάστε περισσότερα

ανάγκεσ τθσ αγοράσ εργαςίασ, παρότι δεν μασ λείπουν τα δυνατά και δθμιουργικά μυαλά.

ανάγκεσ τθσ αγοράσ εργαςίασ, παρότι δεν μασ λείπουν τα δυνατά και δθμιουργικά μυαλά. Χαιρετιςμόσ Γενικοφ Γραμματζα Νζασ Γενιάσ κ. Γιάννου Λιβανοφ ςε εκδήλωςη για την ίδρυςη του Μεταπτυχιακοφ Προγράμματοσ MSc in Strategic Product Design του Διεθνοφσ Πανεπιςτημίου Ελλάδοσ 17.02.12 Κυρίεσ

Διαβάστε περισσότερα

Αςφυξία και πνιγμονθ

Αςφυξία και πνιγμονθ ΠΡΟΛΗΨΗ ΑΤΥΧΗΜΑΤΩΝ Ηλικιακθ ωριμότητα 0-3 ετϊν: τα περιςςότερα παιδιά κάτω των τριϊν ετϊν δεν μποροφν να αντιλθφκοφν τθν επικινδυνότθτα μιασ πράξθσ ι να κυμθκοφν μια ςυμβουλι για πρόλθψθ ατυχιματοσ. Γι

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΠΡΕΒΕΙΑ ΣΟ ΛΟΝΔΙΝΟ Γραφείο Οικονομικών και Εμπορικών Τποθέςεων 1

ΕΛΛΗΝΙΚΗ ΠΡΕΒΕΙΑ ΣΟ ΛΟΝΔΙΝΟ Γραφείο Οικονομικών και Εμπορικών Τποθέςεων 1 ΕΛΛΗΝΙΚΗ ΠΡΕΒΕΙΑ ΣΟ ΛΟΝΔΙΝΟ Γραφείο Οικονομικών και Εμπορικών Τποθέςεων 1 Λονδίνο, Μάρτιος 2014 Μη αλκοολοφχα ποτά: τοιχεία κατανάλωςησ Χυμοί φροφτων: ςτοιχεία κατανάλωςησ (2012) και ειςαγωγών ςτο Ηνωμένο

Διαβάστε περισσότερα

ΛΕΜΕ ΟΧΙ ΣΟ ΠΛΑΣΙΚΟ!!! ΛΕΜΕ ΟΧΙ ΣΙ ΠΛΑΣΙΚΕ ΑΚΟΤΛΕ!!!

ΛΕΜΕ ΟΧΙ ΣΟ ΠΛΑΣΙΚΟ!!! ΛΕΜΕ ΟΧΙ ΣΙ ΠΛΑΣΙΚΕ ΑΚΟΤΛΕ!!! ΛΕΜΕ ΟΧΙ ΣΟ ΠΛΑΣΙΚΟ!!! ΛΕΜΕ ΟΧΙ ΣΙ ΠΛΑΣΙΚΕ ΑΚΟΤΛΕ!!! Το πλαςτικό ζχει γίνει αναπόςπαςτο κομμάτι τθσ κακθμερινισ μασ ηωισ, πλαςτικά μπουκάλια, πλαςτικά παιχνίδια, πλαςτικά ποτιρια, πλαςτικζσ ςακοφλεσ. Πλαςτικά

Διαβάστε περισσότερα

φντομη Παρουςίαςη epr.gr

φντομη Παρουςίαςη epr.gr φντομη Παρουςίαςη epr.gr Ζνα νζο διαδικτυακό εργαλείο που ζρχεται να αλλάξει τα δεδομζνα τθσ εταιρικισ επικοινωνίασ Ιοφνιοσ 2009 - Ζκδοςθ 1.3 Σι είναι το epr.gr To epr.gr αποτελεί τθν πρϊτθ διαδικτυακι

Διαβάστε περισσότερα

Κάνουμε κλικ ςτθν επιλογι του οριηόντιου μενοφ «Get Skype»για να κατεβάςουμε ςτον υπολογιςτι μασ το πρόγραμμα του Skype.

Κάνουμε κλικ ςτθν επιλογι του οριηόντιου μενοφ «Get Skype»για να κατεβάςουμε ςτον υπολογιςτι μασ το πρόγραμμα του Skype. ΟΔΗΓΙΕ ΔΗΜΙΟΤΡΓΙΑ ΛΟΓΑΡΙΑΜΟΤ ΣΟ SKYPE Ανοίγουμε το πρόγραμμα περιιγθςθσ ιςτοςελίδων (εδϊ Internet Explorer). Κάνουμε κλικ ςτθ γραμμι διεφκυνςθσ του προγράμματοσ και πλθκτρολογοφμε: www.skype.com Κάνουμε

Διαβάστε περισσότερα

ΧΗΥΙΑΚΟ ΔΚΠΑΙΔΔΤΣΙΚΟ ΒΟΗΘΗΜΑ «ΥΤΙΚΗ ΘΔΣΙΚΗ ΚΑΙ ΣΔΦΝΟΛΟΓΙΚΗ ΚΑΣΔΤΘΤΝΗ» ΦΥΣΙΚΗ ΘΔΤΙΚΗΣ ΚΑΙ ΤΔΧΝΟΛΟΓΙΚΗΣ ΚΑΤΔΥΘΥΝΣΗΣ ΘΔΜΑ Α ΘΔΜΑ Β

ΧΗΥΙΑΚΟ ΔΚΠΑΙΔΔΤΣΙΚΟ ΒΟΗΘΗΜΑ «ΥΤΙΚΗ ΘΔΣΙΚΗ ΚΑΙ ΣΔΦΝΟΛΟΓΙΚΗ ΚΑΣΔΤΘΤΝΗ» ΦΥΣΙΚΗ ΘΔΤΙΚΗΣ ΚΑΙ ΤΔΧΝΟΛΟΓΙΚΗΣ ΚΑΤΔΥΘΥΝΣΗΣ ΘΔΜΑ Α ΘΔΜΑ Β 4 o ΔΙΓΩΝΙΜ ΠΡΙΛΙΟ 04: ΔΝΔΔΙΚΣΙΚΔ ΠΝΣΗΔΙ ΦΥΣΙΚΗ ΘΔΤΙΚΗΣ ΚΙ ΤΔΧΝΟΛΟΓΙΚΗΣ ΚΤΔΥΘΥΝΣΗΣ 4 ο ΔΙΓΩΝΙΣΜ ΔΝΔΔΙΚΤΙΚΔΣ ΠΝΤΗΣΔΙΣ ΘΔΜ. β. β 3. α 4. γ 5. α.σ β.σ γ.λ δ.σ ε.λ. ΘΔΜ Β Σωςτι είναι θ απάντθςθ γ. Έχουμε ελαςτικι

Διαβάστε περισσότερα

ΕΝΔΕΙΚΣΙΚΕ ΕΦΑΡΜΟΓΕ. Restaurant/bar app. (για χϊρουσ ψυχαγωγίασ & εςτίαςθσ ) Ξενοδοχειακι εφαρμογι παρουςίαςθσ και κρατιςεων δωματίων.

ΕΝΔΕΙΚΣΙΚΕ ΕΦΑΡΜΟΓΕ. Restaurant/bar app. (για χϊρουσ ψυχαγωγίασ & εςτίαςθσ ) Ξενοδοχειακι εφαρμογι παρουςίαςθσ και κρατιςεων δωματίων. ΕΝΔΕΙΚΣΙΚΕ ΕΦΑΡΜΟΓΕ ESHOP app Σο Ηλεκτρονικό ςασ Κατάςτθμα τϊρα και ςτο κινθτό ςασ Restaurant/bar app (για χϊρουσ ψυχαγωγίασ & εςτίαςθσ ) Hotel app Ξενοδοχειακι εφαρμογι παρουςίαςθσ και κρατιςεων δωματίων

Διαβάστε περισσότερα

Profdoc Medical Office Λογιςμικό διαχείριςησ Ιατρικοφ Φακζλου Αςθενοφσ ΣΕΧΝΙΚΕ ΠΡΟΔΙΑΓΡΑΦΕ

Profdoc Medical Office Λογιςμικό διαχείριςησ Ιατρικοφ Φακζλου Αςθενοφσ ΣΕΧΝΙΚΕ ΠΡΟΔΙΑΓΡΑΦΕ Λογιςμικό διαχείριςησ Ιατρικοφ Φακζλου Αςθενοφσ ΣΕΧΝΙΚΕ ΠΡΟΔΙΑΓΡΑΦΕ ΠΕΡΙΕΧΟΜΕΝΑ 1 ΠΡΟΦΙΛ ΕΣΑΙΡΕΙΑ... 4 2 PROFDOC MEDICAL OFFICE (PMO)... 5 2.1 ΔΙΑΧΕΙΡΙΗ ΙΑΣΡΕΚΟΤ... 5 2.2 ΔΙΑΧΕΚΡΙΗ ΙΑΣΡΙΚΟΥ ΦΑΚΖΛΟΤ ΑΘΕΝΟΥ...

Διαβάστε περισσότερα

Μόδα είναι και αλλάηει

Μόδα είναι και αλλάηει Μόδα είναι και αλλάηει Οριςμόσ μόδασ Παροδικι ςυνικεια που για οριςμζνο χρονικό διάςτθμα γενικεφεται ςε μεγάλο φάςμα τθσ κοινωνίασ, ςε ότι αφορά τθν ενδυμαςία, τθν κόμμωςθ, τθ μουςικι. Κακρεφτίηει τισ

Διαβάστε περισσότερα

Οδηγίες Πρόζβαζης ζηο EndNote Web. Πρόζβαζη ζηο EndNote Web

Οδηγίες Πρόζβαζης ζηο EndNote Web. Πρόζβαζη ζηο EndNote Web Οδηγίες Πρόζβαζης ζηο EndNote Web Το EndNote Web είναι εργαλείο διαχείριςθσ βιβλιογραφικϊν αναφορϊν, ενςωματωμζνο ςτθ βάςθ Web of Science. Απαιτείται εγγραφι και δθμιουργία password (Sign in / Register)

Διαβάστε περισσότερα